拼多多集团-2026年校园招聘(hc居多)

📍工作地点:上海

💻招聘岗位:服务端研发工程师、算法工程师、客户端研发工程师、大模型算法工程师、运营中台管培生、质检管培生

✅特别说明:不影响后续2026届秋招正式批的简历投递!

⭐️⭐️⭐️简历直推老板!!!评论区回复即可有专人跟进!!!
⭐️⭐️⭐️简历直推老板!!!评论区回复即可有专人跟进!!!
⭐️⭐️⭐️简历直推老板!!!评论区回复即可有专人跟进!!!

【拼多多集团-PDD校园招聘】内推链接:https://careers.pddglobalhr.com/campus/grad?t=d6d483wPqq,内推码:d6d483wPqq。期待你的加入!我们一起,无拼不青春!(通过此链接投递计入内推,内推简历优先筛选~)

服务端研发工程师
岗位职责
1、负责业务和平台的架构设计和研发工作,解决各类有挑战的技术问题,为产品和业务的发展提供强有力的支撑;
2、依照软件开发流程,根据产品和项目计划,完成所负责模块的架构设计、编码、测试和文档编写的全流程工作;
3、持续优化系统架构,提高系统在高并发、高流量和分布式环境下的性能和稳定性,保持系统的高可用性、高可靠性和高
扩展性;
4、承担新技术预研和方案选型,参与关键技术点的攻坚工作,并进行技术推广,取得更大的业务收益。

任职要求
1、2026届毕业生,本科及以上学历,对计算机以及互联网技术有兴趣;
2、扎实的数据结构和算法能力,熟悉常用的存储系统和中间件;
3、精通至少一种开发语言,并能熟练应用解决具体问题;
4、有较强的学习能力,有强烈的责任心和自我驱动力;
5、及时关注并学习业界最新技术,具备良好的沟通能力和团队合作精神

算法工程师
岗位职责
1、利用机器学习/深度学习技术/图计算技术,优化app内外搜索、推荐、广告、图像、风控、智能客服、平台等效果,提升数亿用户的购物体验和平台的变现效率;
2、深入产品和业务,发现算法和机制中的不足,提出改进方案并且推动实现;
3、跟踪业界和学术界最新进展,将理论成果应用到业务场景,提升业务效果。

任职要求
1、2026届毕业生,硕士及以上学历,计算机相关专业,对算法有浓厚兴趣;
2、具备强悍的编码能力,熟悉linux开发环境,熟悉TensorFlow、PyTorch、Hive优先;
3、具备扎实的数据结构功底,熟悉机器学习、深度学习、图计算、自然语言处理、数据挖掘中一项或多项
4、对大语言模型、用户增长、搜索引擎、推荐系统、计算广告、图像、互联网风控、智能客服、平台等相关领域有经验者优先;
5、具备较好的数理基础和逻辑分析能力,对解决具有挑战性的问题充满激情,具备较好的主动性和团队合作精神。

客户端研发工程师
岗位职责
1、参与客户端日常需求分析与功能开发,持续优化用户体验与性能表现;
2、参与客户端架构设计,包括多端统一架构、动态化技术建设、模块解耦与组件体系设计,提升系统的可维护性与研发效率;
3、深度参与跨平台基础设施建设,如网络中间件、Native 容器、Hybrid 容器、音视频组件、动态化框架接入等;
4、探索端侧智能(如 AIGC、端智能推荐、语音图像处理)相关能力的集成与优化,推动新技术在业务侧的落地。
任职要求
1、2026届毕业生,本科及以上学历,计算机相关专业,热爱技术与产品,有强烈的工程热情;
2、具备扎实的计算机基础(数据结构、操作系统、计算机网络、编译原理等),熟练掌握至少一种主流编程语言,如Java、Kotlin、Swift、Objective-C 或C++;
3、具备 iOS / Android 平台开发经验优先,理解系统底层运行机制,有良好的架构设计意识;
4、熟悉多线程、异步编程、跨进程通信、组件化架构、染优化等关键技术,了解 Jetpack Compose / SwiftUI 等现代 UI 框架者优先;
5、对 Flutter / React Native 等跨平台方案、边缘计算、端上 Al、低功耗与高性能优化等方向有一定了解或实践者优先;
6、具备良好的学习能力、逻辑思维、沟通协作能力,乐于拥抱变化、追求技术突破。

#pdd校招内推##拼多多##2026春季招聘#
全部评论

相关推荐

给我面没招了。。。1. 项目拷打2. 详细阐述Transformer的底层原理,并说明其能够替代RNN的核心优势;结合Transformer架构的成熟度,分析Self-Attention机制在多模态对齐任务中是否存在瓶颈,以及在实际业务场景中,是否出现过注意力权重完全偏移的情况。3. 讲解LoRA的技术原理,说明LoRA是否仅能嵌入Linear层;分析LoRA无法在LayerNorm层之后插入的原因,以及该操作会对模型训练稳定性产生哪些具体影响。4. 结合实操经验,说明QLoRA降低训练资源成本的核心逻辑;列举常见的模型量化方式,并解释QLoRA选择NF4与FP16组合而非其他方案的原因,阐述NF4的分布拟合逻辑。5. 针对采用multi-query attention优化后,decoder延迟仍居高不下的问题,分析潜在性能瓶颈;探讨vLLM自带的KV Cache是否会成为推理过程中的负担。6. 分别说明Embedding模型与Rerank模型处理文本语料的核心流程,并结合实际应用场景举例说明。7. 结合过往RAG项目经验,讲解从数据清洗到检索服务上线的完整链路搭建流程,重点说明chunk切分的具体策略。8. 分析当前RAG技术落地的最大瓶颈,并阐述你在项目中采取过哪些优化手段来提升检索召回率(Recall)。9. 针对XX领域大模型的训练工作,说明SFT(监督微调)数据集的构造方法与核心思路。10. 结合LoRA微调实操经历,说明rank值的选择依据;在合并adapter权重的过程中,是否遇到过梯度爆炸问题,以及对应的解决方法。11. 结合你的模型部署相关经验,说明模型参数量与硬件算力需求之间的对应关系(例如不同参数量级模型所需的算力配置标准);以部署一个稀疏率千分之三的235B参数量MOE架构模型为例,估算其所需的算力规模。12. 在搭建RAG知识库时,若需对文档进行动态更新,你采用的是全量嵌入还是增量处理方案?若为增量处理,如何规避新旧文档数据分布不一致导致的检索偏差问题。
点赞 评论 收藏
分享
评论
点赞
收藏
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务