香港科技大学(广州)香港科技大学(广州) Di² LabDi² Lab · 深度交叉智能实验室
同花顺同花顺智能科技

DI² LAB · 组会分享 · 2026 年 10 月

从 MPhil 到算法岗

实习 · 秋招 · 面试

吴盛恩 香港科技大学(广州)· Di² Lab 深度交叉智能实验室 同花顺智能科技 · 金融大模型算法工程师 | 实习 & 校招面试官

开场

关于我

香港科技大学(广州)MPhil · Di² Lab 深度交叉智能实验室 研究方向:大模型推理
字节跳动 · DMC(数据与模型中心)实习 部门后改组为 AIDP(AI 与数据中台),直属 Seed
EMNLP 2025 · 一篇「表格 + 大模型」论文 与同花顺业务负责人深聊,方法对上真实业务(Part 1 展开)
同花顺智能科技 · 金融大模型算法(正职) 现参与实习 & 校招面试

这场分享讲什么

一是求职阶段的经验教训:例如字节 · 飞书大模型的面试,项目和业务聊得顺利,但最后一道 Medium 算法题没有做出来,最终还是没通过。

二是面试官视角:目前工作中参与实习与校招面试,介绍面试官实际在考察什么、哪些表现是加分信号。

PART 1 · 投简历 ①

什么时候投:两年制 MPhil 的求职日历

注:港校(含中外合办)毕业时间与内地「应届生身份」认定,各公司口径不一,投递前按目标公司校招页自查。

PART 1 · 投简历 ②

走哪条通道:成功率阶梯

1实习转正
最稳的一条路:目标一致、知根知底,转正答辩只是把日常复述一遍
2内推直达组
找「能查进度、能把简历递到组长手里」的学长学姐 / 导师人脉
3会议 / Social 直荐
MPhil 的信息差优势(下页展开)
4官网海投
简历进池,各组按关键词捞人

海投的机制真相

  • 你的简历先被「关键词」阅读,再被人阅读 → 按 JD 调整简历关键词,是机制,不是玄学
  • 群里的内推码 ≈ 帮你省一步点击;真正有用的内推,是能帮你 查询进度、直达用人组 的那个人

海投不是不能用,但不要只依赖海投。

PART 1 · 投简历 ③

投哪些:方向、背调与节奏

方向匹配 > 公司 title

  • LLM / CV / 推荐的技能栈几乎互不迁移
  • 第一份实习的方向 ≈ 锁定后面两年的赛道
  • 选「能长出简历素材」的方向,而不只是选大厂牌子

反向背调团队

  • 牛客面经:看面试问了什么、进组干了什么
  • 和内推人私下聊:组里最近在做什么业务
  • 看组内人员流动 → 判断真业务还是「汇报工程」

投递节奏

  • 先投 2–3 家「练手公司」,把面试状态调出来,再投梦司
  • 大厂冷冻期动辄半年起步,别拿梦司试错
  • 每投必记:公司 / 批次 / 进度 / 冷冻期
一页 PDF
命名:姓名-学校-岗位-方向
一张投递跟踪表,每周更新
投递前找 2 个人互审简历

PART 1 · 加餐

一场学术会议带来的 offer

从 EMNLP 到入职的完整时间线

2025.11 · EMNLP一篇「表格 + 大模型」论文与同花顺业务负责人聊得很深,方法能对上他们的真实业务
2025.12 · 三面结束HR + 面试流程推得飞快背景同步成本极低——对方早就了解你
2026.01 · 入职实习校招 offer 直接到手不用挤秋招批次
2026.06 · 正式入职金融大模型算法同时开始参与实习 & 校招面试
  • 带着问题逛 poster
  • 聊天中展示拆问题的能力
  • 会后 follow-up 比现场自我介绍更重要
  • 学术会议的入场券,是 MPhil 最大的信息差优势

PART 2 · 简历

用 OKR 讲项目,而不是 STAR

O

业务背景与目标

Object

一句话讲清楚业务是什么、要达成什么。

简历第一轮读者是 HR 与关键词系统;一句话讲不清业务,往往说明你还没吃透它。

K

关键拆解

Key Points

你怎么把问题拆成中间的关键节点。

面试官未必懂你的领域,但他一定懂拆解——这才是他真正在买的东西。

R

结果

Results

有基线、有业务意义的结果:相对谁提升?省了多少人力 / 成本?

裸数字没有意义,基线 + 业务含义才有。

常见反模式:「我训了个模型,提了 X 个点」——没有背景、没有拆解、没有基线,既展现不出你的能力,也展现不出你的思考。

PART 2 · 简历 · 实操

同一段经历,两种写法

「微调了 XX 金融大模型,问答准确率提升 3.2%。」
  • 没有业务背景——面试官不知道你在解决什么问题,HR 关键词也对不上
  • 没有拆解——看不出你的思考,只剩「执行了一个微调」
  • 指标无基线、无业务含义——3.2% 是什么集合上、相对什么、值多少钱?

PART 3 · 面试 ①

硬门槛:算法题 + 八股

它是及格线,不是加分项。

一个真实的失败案例

字节 · 飞书大模型面试→ 项目与业务聊得很好→ 最后一道 Medium 没撕出来→ 挂

PART 3 · 面试 ②

软实力:拆解 + 沟通,权重为什么越来越高

时代背景

≥95% 的代码任务

coding agent 已能替代我工作中绝大部分代码任务——纯「会写代码」正在快速贬值

真实的工作日常

~60% 的时间

花在对齐会 / 拉通会上:产品、运营、其他算法团队——解决问题前先对齐问题

沟通不畅的代价

事故级

轻则项目延期;重则线上事故——大家以为对齐了,分头去做,最后对不上

面试官在考察什么

  1. 面对一个问题怎么拆——独立拆解能力
  2. 拆完能不能逐点击破
  3. 全程表达有没有逻辑、好不好合作

怎么准备

  1. 简历每一条都过一遍:它就是面试的题库
  2. 预设面试官会追问什么
  3. 和 AI 模拟面试,把每个回答先「讲顺」

PART 3 · 面试 ③

压力面信号学:体验差 ≠ 要挂

表现:不断追问细节、挑战你的方案、让你现场改设计

解读:面试官在花自己的时间成本把你的真实贡献挖出来——这是感兴趣的表现。从我的经验看,遇到深挖式压力面,通过概率反而高。

✅ 大概率是好消息

「我聊完觉得这个人不行时,整个沟通过程会变得非常和谐愉快——然后把他挂掉。」——追问细节是感兴趣的信号,刻意打压则要警惕。

PART 4 · 拿到实习之后

用 OKR 上班:转正是设计出来的

WEEK 1

对齐 O

  • 和 mentor 对齐:组里这个季度的业务目标是什么
  • 你的课题服务于哪个目标——挂不上目标的课题,讲的时候没人接
WEEKLY

同步 K

  • 每周同步拆解节点的进展
  • 主动暴露风险,别憋到 deadline——坏消息早说是加分项
FINAL

复盘 R

  • 转正答辩 = OKR 复盘:平时就按 OKR 干活,答辩只是把过程原样讲一遍
  • 平时不动手、答辩前补故事——一定露馅

总结

Q & A欢迎会后随时找我聊——包括同花顺的实习机会