24届被裁

【实习】大模型强化学习基建与算法研发实习生📍 地点： [北京/上海/深圳] ⏱️ 形式： 实习（建议至少 3-6 个月）岗位职责 (Responsibilities)作为大模型基建团队的核心成员，你将参与最前沿的多模态大模型（VLM）后训练体系建设。你将直面大规模强化学习训练中的算法与系统挑战，核心职责包括：多模态工具调用能力建设： 负责多模态模型在 Tool Use / Function Calling 场景下的后训练（Post-training）流程搭建与优化，通过 SFT 及 RL 提升模型对复杂工具的理解与调用准确率。强化学习算法优化： 深入研究并改进主流对齐算法，针对多模态数据特性设计强化学习算法策略，解决奖励稀疏与训练不稳定问题。训练系统基建与性能调优： 参与大规模分布式强化学习训练框架的研发与维护，负责显存优化、通信优化及流水线并行策略调优，提升训练吞吐量与稳定性。前沿技术探索： 跟踪大模型多模态推理的最新论文，并将前沿算法快速复现并落地到内部基建中。任职要求 (Qualifications)学历背景： 计算机、人工智能、数学等相关专业硕士或博士在读，具有扎实的机器学习/深度学习理论基础。代码能力： 精通 Python 编程，熟练使用 PyTorch，具有优秀的代码风格和工程实现能力。算法基础：深入理解 Transformer 架构及 LLM/VLM 基本原理。熟悉强化学习基本理论，理解强化学习算法细节。加分项 (Preferred Qualifications)：工具调用经验： 有 LLM Tool Learning、Agent 或 ReAct 相关的实战经验。基建经验： 熟悉 DeepSpeed, Megatron-LM, vLLM, Ray 等分布式训练/推理框架源码，或有 CUDA 算子优化经验。多模态经验： 熟悉 LLaVA, Qwen-VL 等多模态模型架构。开源/学术： 在顶级会议发表过论文，或在 Hugging Face / GitHub 有高 Star 开源项目贡献。

引子：三句话，我决定要他了最近团队业务扩张，所以有一些HC，我也因此成了“兼职面试官”，每天都在跟不同的候选人打交道。面得多了，一些有意思的现象就浮现了出来。这篇文章，就是我最近的一些观察和思考。有天晚上，我面试了两个同样有三年工作经验的工程师，都问了同一个问题：“谈谈你做过的最复杂的项目或者说你认为最有价值的项目？”第一个候选人滔滔不绝，讲了足足15分钟，从微服务架构的拆分一直聊到Docker的容器化部署，各种技术名词甩得飞起。可一旦循着问题深入提问，他就支支吾吾，东扯西扯，答非所问了，最后我在面试记录上默默记下：“技术面广，但深度不够，理解浮于表面，不太合适，pass。”第二个候选人听了我...

想去比较大的企业实习，但目前问的都说我住的地方离公司太远了（十几二十公里多，住校）而且下个学期还有课（只有一门），虽然我说了距离和课程我都可以解决但还是被婉拒了😭😭，所以希望大佬能给点建议，想把简历做的更好一点提升竞争力

rt 楼主bg 24届双非本 1年中厂前端工作经验 今年六月惨遭公司裁掉 gap到现在了 是继续死磕前端 还是去考研 考研毕业28岁了