【实习生招聘】-- 京东科技大模型算法岗！

最新推荐文章于 2025-04-24 13:50:26 发布
最新推荐文章于 2025-04-24 13:50:26 发布
阅读量1k 收藏 27
点赞数 15
文章标签： 科技 算法 langchain 大模型 chatgpt 人工智能 大语言模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/developeraa/article/details/142342316
版权

【岗位名称】

京东科技—大模型算法实习生

【工作地点】

北京

【[岗位职责]】

1、参与大模型意图识别算法研究，包括模型训练、部署和优化；

2、参与机器人项目，负责意图识别业务需求。

【任职要求】

1、人工智能、计算机科学、自动化、机器学习等领域硕士或博士在读；

2、了解NLP主流预训练语言模型（GPT/LLaMA/T5/PaLM/GLM/Bloom/BERT等），参与过NLP中分类、文本生成、文本匹配等任务的效果优化工作

3、熟悉LLM、Agent、RAG等相关技术优先；

4、具有较强的工程能力，能够将算法进行落地部署；

5、精通Python/ C++，熟练掌握PyTorch开源深度学习框架；

6、在高水平国际会议和学术期刊发表过相关论文，或有高水平竞赛获奖经历的优先考虑；

7、实习期至少六个月以上，线下实习，不支持线上，每周到岗4天以上。

【岗位福利】

1、充足的的GPU训练资源；

2、能参与到前沿的大模型、具身智能等开发项目中；

3、专业指导、良好的实习氛围；

4、优越的实习薪酬。

【申请方式】

联系邮箱：zhangtianle14@jd.com

邮件主题：姓名-实习申请，来信请附个人简历

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

作者：张乐
链接：https://zhuanlan.zhihu.com/p/719736075
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

LLM大模型
关注
京东面试——算法工程师
FPGA/MATLAB学习教程/源码/项目合作开发
09-23 1586
7. 场景题：现在我们有两个排序模型，分别是A和B，他们分别预测出了对应的排序的结果在我们的APP上，我们有真实地用户数据，那么怎么来评估这两个模型的好坏呢？1. 面试官说对我现在的在公司的业务顺风车感恩费定价策略很感兴趣(怪我，祸从口出。5. 接上问，面试官：你说的不错，从那些竞品当中，我们怎么选择出一个与我们的产品(Iphone8)最接近的竞品呢？7. 场景题：打开京东APP，点击一个商品，详情页会显示XXX也买过，这个具体是怎么做的？2. 看你简历是做CV的，我们这边是做推荐的，让你做你愿意做吗？
小红书-社区搜索部 (NLP、CV算法实习生) 二面面经
weixin_43646592的博客
05-24 480
小红书-社区搜索部 (NLP、CV算法实习生) 二面面经
DeepSeek在windows本地部署
weixin_42049123的博客
02-07 4074
最近大火的deepseek,在使用网页API交流的时候经常失败，就研究如何部署在本地，发现deepseek真的是拉低了大模型使用的门槛，部署十分简单，大家可以试试。
最强开源大模型炸场！全网独一份AI大模型学习实践资源...（待会删）
Y525698136的博客
08-07 1427
最强开源大模型炸场！全网独一份AI大模型学习实践资源...（待会删）
《开源大模型食用指南》发布，7个小时，一杯奶茶速通大模型！
Datawhale
01-08 1352
Datawhale开源开源贡献：Datawhale self-llm团队前 言《开源大模型食用指南》是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程，针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生...
【开源项目】MaxKB+Ollama：构建私有化知识库问答系统
m0_59235245的博客
06-12 4933
MaxKB 是一款基于 LLM 大语言模型的知识库问答系统。MaxKB = Max Knowledge Base，旨在成为企业的最强大脑。：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化，智能问答交互体验好；：支持零编码快速嵌入到第三方业务系统；：支持对接主流的大模型，包括 Ollama 本地私有大模型（如 Llama 2、Llama 3、qwen）、通义千问、OpenAI、Azure OpenAI、Kimi、智谱 AI、讯飞星火和百度千帆大模型等。
开源项目QAnything：全能型本地知识库问答系统
人工智能讲师分享前沿技术
06-14 3895
在当今信息爆炸的时代，如何高效地管理和检索大量数据成为了一个重要课题。网易有道推出的开源项目QAnything，正是为了解决这一问题而生。QAnything是一个本地知识库问答系统，支持多种文件格式和数据库，允许用户在离线状态下进行安装和使用。用户只需将任何格式的本地存储文件放入系统，即可获得准确、快速且可靠的答案。
双非电子专业，大二京东实习，大三上岸字节大数据开发实习岗，分享一波面经...
a934079371的博客
04-10 2249
点击上方 "大数据肌肉猿"关注,星标一起成长点击下方链接，进入高质量学习交流群今日更新| 950个转型案例分享-大数据交流群今天分享学习群同学的求职经历，他是双非电子专业，大一就加了我好友，大二开始学习大数据的内容，并在大二暑期进行了一波面试，拿了一些日常实习offer，最终去京东实习。今年过完年就开始面大厂的春季实习，如今已经拿了字节实习offer。背景介绍双非电子信...
小红书算法岗面试，竞争太激烈了
Python数据挖掘
10-06 1235
知道晋升被卡的结果，我开始重新登录 LeetCode，历时一个多月，面试了多家企业。经过多轮面试和准备，最后选择了小红书。
个人NLP实习面经汇总
张小彬
02-26 3208
大厂双非同学NLP实习面试经历，可能会对某些即将面试的同学有所帮助，所以决定把自己亲身经历的面试内容做个分享，以下所有内容均是面试真实问到的内容。
《开源大模型食用指南》基于Linux环境快速部署开源大模型，更适合中国宝宝
09-02
《开源大模型食用指南》基于Linux环境快速部署开源大模型，更适合中国宝宝的部署教程_self-llm
MaxKB 结合 DeepSeek 实现基于 LLM 大语言模型的知识库问答系统
ws_zzzz的博客
07-08 5274
性能卓越DeepSeek-V2模型参数量达到了惊人的236B，每个token激活21B参数，支持长达128K token的上下文长度，性能直逼GPT-4-Turbo。在中文综合能力评测中，DeepSeek-V2超越了所有开源模型，与GPT-4-Turbo等行业巨头处于同等水平。在英文综合评测中，与最强的开源模型LLaMA3-70B处于同一梯队，超过最强MoE开源模型Mixtral8x22B。在知识、数学、推理、编程等多个领域的专项基准测试中均表现出色。低成本高效能。
2023大模型安全解决方案白皮书
12-06 1108
在当今迅速发展的数字化时代，人工智能技术正引领着科技创新的浪潮而其中的大模型技术则被视为人工智能的一大突破。大模型是指参数量巨大能力强大的人工神经网络模型，以其卓越的表现在自然语言处理、计算机视觉、语音识别等领域赢得了持续的关注和青睐。这些模型的出现，不仅在学术界引起了研究者们的广泛兴趣，也在商业应用领域带来了一系列创新和变革大模型技术的崛起，首要得益于深度学习的发展以及硬件计算能力的提升。深度学...
33页PDF | 2024年中国金融大模型产业发展洞察报告（附下载）
xxue345678的博客
11-14 680
AI Agent智能体将推动大模型能力的落地应用，金融大模型未来将与其他技术协同应用，承担更重要的金融投资角色，但需解决技术、业务与合规方面的应用困境。金融大模型由通用大模型基座、专用模型工具链、私域业务场景训练三部分组成，具有降低成本、保留差异化竞争空间、与底层模型同步迭代、模型精准、结果可靠、产品结构轻量化、应变能力强、维护及迭代成本低等优势。通过对行业深耕程度、产品与技术能力、服务能力及生态能力四个核心维度的评估，评选出东方财富、马上消费、奇富科技等20家中国金融大模型产业卓越服务厂商。
从0入门大模型，看这5本就够了！
图灵教育
06-25 427
随着人工智能技术的飞速发展，大模型已经成为推动这一领域进步的核心力量。它们通过处理海量数据，学习复杂的模式和关系，为各种应用提供了强大的智能支持。从语音识别到自动驾驶，再到个性化推荐系统，大模型正在不断地改变我们的生活和工作方式。然而，对于初学者来说，大模型的世界可能显得既神秘又难以接近。熟练掌握大模型的知识和技能在未来职场将是一项基本要求。无论是为了提升自己的技术能力，还是为了在职场上保持竞争力...
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 1609
AI菜鸟向前飞 — LLM简介
书单 | 6本AI领域名家名作，大模型时代，趁风而起！
2401_84495872的博客
05-08 2496
大模型时代，想抓住风口吗？本期书单就来分享，给大家把大模型时代那些事儿讲清楚！放心，入门的同学也可以从最基础的学起~~快来看看有哪些书吧……▊《彭勇，彭旋，郑志军，茹炳晟 著读懂ChatGPT的核心技术、GPT的进化史和创新点详述多模态大模型的核心技术和应用场景让中小公司可以从0到1部署多模态大模型，打开通往通用人工智能的大门本书详细介绍了大语言模型和多模态大模型的发展历史、技术原理和亮点、主要的开源框架、配套工具、部署细则和实战案例。
Deepseek本地部署（Windows）
weixin_46653941的博客
02-10 1970
保姆级windows10本地部署deepseek-r1教程
开源项目：从零开始构建大模型，从离谱到优秀！
最新发布
m0_65555479的博客
04-24 514
GitHub 上开源了一个从零开始训练大模型的一个项目，可以说是新手学习大模型的福音项目。想学大模型的朋友推荐学习。1、项目前置知识大语言模型（LLM）领域，如 GPT、LLaMA、GLM 等，虽然它们效果惊艳， 但动辄10 Bilion庞大的模型参数个人设备显存远不够训练，甚至推理困难。几乎所有人都不会只满足于用Lora等方案fine-tuing大模型学会一些新的指令， 这约等于在教牛顿玩21世纪的智能手机，然而，这远远脱离了学习物理本身的奥妙。
大模型算法岗日常实习手撕
01-27
### 大模型算法实习岗日常工作 大模型算法实习生的工作通常围绕着数据预处理、模型训练与调优展开。具体来说，在日常工作中，实习生会参与大规模语料库的清洗和准备过程[^2]。这包括去除噪声数据、标注数据集以及构建适合特定任务的数据管道。 对于像llama、glm或bloom这样的大型语言模型而言，其训练涉及复杂的分布式计算环境设置，需要理解并配置高性能GPU集群来加速训练进程。此外，还需要掌握如何调整超参数以优化性能表现，比如学习率调度策略的选择等。 在实际操作层面，实习生可能会被分配到具体的子项目上，负责某一模块的功能开发或是针对现有框架进行改进工作。例如，探索更高效的注意力机制设计方法，研究不同的标准化层（norm layers），或者是提升嵌入表示(embedding)的质量等方面的研究课题。 ### 手工实现算法的要求 当提到“手撕”算法时，这意味着候选人应该能够独立完成从理论推导到代码实现的过程而不仅仅依赖现成工具包中的函数接口。以下是几个关键能力： #### 数据结构与算法基础扎实 具备良好的编程习惯和技术栈积累，熟悉常用的数据结构如链表、树形结构及其遍历方式；精通基本排序查找算法原理及应用场景分析。 #### 掌握核心机器学习概念 深入理解监督/无监督学习范式下各类经典预测建模技术背后的数学逻辑关系，特别是线性回归、决策树和支持向量机等内容，并能通过Python或其他高级脚本语言将其转化为可执行程序片段。 #### 实战经验不可或缺 拥有一定数量的真实案例练习经历非常重要，尤其是在自然语言处理领域内涉及到文本分类、情感倾向识别等问题解决过程中所运用的技术手段。下面给出一段简单的基于PyTorch的手动实现多层感知器(MLP)用于MNIST手写数字识别的例子作为参考： ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform) trainloader = DataLoader(trainset, batch_size=64, shuffle=True) class MLP(torch.nn.Module): def __init__(self): super().__init__() self.fc1 = torch.nn.Linear(784, 128) self.fc2 = torch.nn.Linear(128, 64) self.fc3 = torch.nn.Linear(64, 10) def forward(self, x): x = x.view(x.shape[0], -1) # Flatten the input tensor. x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x model = MLP() criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters()) for epoch in range(5): running_loss = 0 for images, labels in trainloader: optimizer.zero_grad() output = model(images) loss = criterion(output, labels) loss.backward() optimizer.step() running_loss += loss.item() else: print(f"Epoch {epoch+1}: Training Loss: {running_loss/len(trainloader)}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值