大模型算法
预训练、SFT、偏好优化、评测与对齐。
PyTorchTransformerSFTRLHF/DPO
Role map
九类算法岗方向
这里列的是岗位族，不代表当前正在招聘；具体投递仍以公司官网实时 JD 为准。
LLM 应用算法
RAG、Agent、工具调用、长上下文与评测。
RAGAgentEmbeddingEvaluation
搜索推荐广告
召回、排序、用户建模、策略实验与商业指标。
推荐系统Learning to RankA/B Test
多模态与 AIGC
图文视频理解、生成模型、多模态对齐。
VLMDiffusion多模态评测
计算机视觉
检测、分割、OCR、三维视觉与行业场景。
DetectionSegmentationOCR3D
语音与 NLP
语音识别合成、文本理解、信息抽取与对话。
ASR/TTSNLPInformation Extraction
推理部署与平台
模型压缩、推理优化、服务化与算力效率。
CUDATensorRTvLLMMLOps
机器人与自动驾驶
感知、规划、控制、具身智能与世界模型。
PerceptionPlanningControlVLA
AI for Science
将机器学习用于生物、材料、医学和科学计算。
Scientific MLDomain Data实验设计
Preparation path
从 JD 反推十段准备链路
基础知识必须落到可验证项目，再进入简历和面试表达。
- 整体架构：Transformer、Tokenizer 与模型家族
- 预训练：数据、目标函数与训练稳定性
- 后训练：SFT、偏好优化、安全与对齐
- 训练推理：并行、量化、压缩与服务化
- 应用链路：RAG、Agent、Tool Use 与评测
- 项目证据：代码、数据、实验、指标和复盘
- 论文阅读：问题、方法、实验与局限
- 工程实践：环境、调试、部署与成本
- 简历表达：任务、动作、结果与个人贡献
- 面试准备：原理、代码、项目追问与系统设计
当前页先完成岗位族和学习链路迁移；下一轮可继续补各公司的实时算法岗 JD、官网截图和逐条能力拆解。