字节数据开发校招一面凉经

【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。

ai面总结：AI调教的很好，问的问题很有意思，整场面试不会有很大的压迫感，追问大多是根据你的回答提问。总时长：35分钟Q1:自我介绍，重点介绍一下个人背景和大学期间的主要经历。Q2：你对于在一家公司长期发展有什么看法？你认为哪几点因素会让你在一家公司长期工作？（有追问）Q3：你取得过的最大成就是什么？过程中最大的难点是什么？你是如何突破的？最终的结果怎么样？（有追问2个）Q4：请描述一个过往遇到的最有压力困难或最具挑战的一个场景，你是如何解决的？对你有什么影响？（有追问）Q5：依你的看法，请描述一个你近期完成的项目任务，如果重来一次，你会做哪些不同的事情来提升结果？（有追问2个）Q6：电商运营...

🔥基模团队大量HC｜大模型AI Infra工程师，一起搞点「硬核浪漫」！🚀Hi，未来的技术极客们～这里是百度基模团队，一个正在用代码和算法「驯服」大模型的硬核玩家。我们不画饼、不内卷，只相信「技术改变世界」的原始冲动。如果你也痴迷于让AI基础设施跑得更快、更稳、更聪明，欢迎找我聊聊👇🌟 我们是谁？· 开放基因：「技术狂人」和「问题解决者」的碰撞· 好奇心驱动：从0到1的架构设计？拆解开源代码的底层逻辑？甚至用AI优化AI的训练流程？我们每天都在挑战「不可能」· 硬核实力：既有多年沉淀的工程化经验，也有学术圈的前沿视野· 成长加速器：定制化培养体系+技术导师1v1，从代码规范到系统设计，从性能调优到架构演进，我们愿意为你的成长买单🚀 招聘岗位：大模型AI Infra工程师（训练、推理、压缩、高性能、工程架构.....众多岗位不限HC）我们期待这样的你：✔️ 扎实的基本功：C++/Python、分布式系统、Linux内核，这些是你的「第二语言」✔️ 实战经验：参与过大规模分布式系统开发，或对Kubernetes/Ray/PyTorch有深度理解✔️ 极客精神：看到「性能损耗0.1%」会本能地想优化，遇到技术难题会兴奋到失眠✔️ 团队玩家：能写代码也能带新人，能怼bug也能聊技术趋势💡 为什么选择我们？· 资源拉满：从A100集群到万卡级训练环境，从开源社区到自研框架· 成长闭环：从新人到技术骨干，我们有一套完整的「闯关地图」，每一步都有反馈和奖励· 简单文化：没有职场PUA，只有「这个方案能不能更优雅」的技术讨论，和「走，吃火锅去」的团队聚餐📮 加入方式请直接关注、私聊我，直投简历，当天统一进行回复打招呼暗号：姓名+当前公司/学校+技术亮点/岗位方向/不知道投递啥岗位也可以聊聊🌍 基模团队不招「螺丝钉」，只找「一起改变AI基础设施规则」的同路人。大模型   技术成长

26级应届生求指导，现在很迷茫，不知道以后要做什么方向目前没有系统学习过python或者java 不知道这两个语言哪个更好找到工作