岗位职责
- 行业模型后训练算法：跟踪并落地前沿后训练技术：高质量SFT数据工程与课程学习、多阶段对齐（DPO/PPO/GRPO/在线RLHF）、参数高效微调（LoRA/QLoRA/DoRA），针对金融、政务、能源等垂直场景产出可复用的后训练Recipe。
- 异构算力适配：针对NVIDIA、昇腾、沐曦、壁仞等不同架构设计后训练统一适配层，进行算子融合与硬件级性能调优，推动训练框架（ms-swift/LLaMA-Factory/DeepSpeed）的多硬件兼容与性能基线建设。
- 后训练系统优化：设计面向70B+模型的混合并行策略（DP+TP+PP+SP），优化跨节点通信（梯度压缩、计算通信重叠），实现千卡级后训练任务的弹性伸缩、故障自愈与Checkpoint异步持久化；探索MoE Expert并行与长序列（128K+）后训练系统优化。
- 客户支持：将后训练技术封装为平台能力，参与重点项目交付，解决实际后训练中的效率与稳定性问题。
职位要求
- 教育背景：计算机/AI/分布式系统等相关专业博士。
- 技术能力：精通Transformer架构与PyTorch源码级开发；有大模型微调或对齐相关研究经历（SFT/RLHF/DPO/KTO/GRPO等至少熟悉一种）；有分布式训练实战经验（DeepSpeed/Megatron/FSDP至少熟悉一种）；了解训练系统优化技术（混合精度、梯度累积、通信优化、显存管理等）。
- 编程能力：熟练掌握Python，有CUDA/C++高性能计算经验者优先，有自定义算子开发经验者加分。
- 经验要求 有大模型后训练（SFT/对齐/领域适配）完整项目经验者优先；多硬件适配经验、开源框架贡献（ms-swift/LLaMA-Factory/DeepSpeed/Megatron等）者加分；顶会/顶刊（NeurIPS/ICML/ICLR/ACL/EMNLP/OSDI/ATC等）论文者优先。
- 其他要求：具备系统性思维和独立解决复杂问题的能力，良好的沟通协作精神，对大模型后训练技术有浓厚兴趣。
