岗位职责
我们希望通过领域数据、后训练和评测，提升大模型在漏洞挖掘、代码审计、渗透测试、威胁情报、逆向分析等网络安全任务中的表现。 你将围绕具体研究问题开展实验，例如如何构造有效的训练数据、如何设计可靠的任务反馈，以及如何判断模型是否具备对新任务的泛化能力。根据课题需要，参与任务构建、模型训练和评测分析。 工作内容
- 研究网络安全领域的数据构造方法，整理安全语料、指令样本及任务执行轨迹，分析数据质量、难度和配比对模型效果的影响。
- 将漏洞挖掘、代码审计、渗透测试、威胁情报、逆向分析等场景等安全问题构建为可复现的实验任务，开发验证程序，为训练和评测提供可靠反馈。
- 开展监督微调（SFT）、领域 RL（RFT/RLVR）、Hybrid RL等后训练实验，记录并分析结果。
- 参与网络安全评测集建设与模型能力分析，设计评测题目，按统一标准分析评测结果，定位模型在具体任务中的不足，并开展针对性优化。
职位要求
- 硕士或博士在读，计算机、网络安全、人工智能或相关专业。
- 了解大模型基本原理及训练、推理流程；具备 PyTorch 等深度学习框架的使用经验。
- 在大模型或网络安全至少一个方向有实际项目或研究经验，并有意深入两者交叉的研究问题。
- 有监督微调（SFT）、偏好优化（如 DPO）或强化学习（如 RLHF、RLVR）实践经验者优先。
- 具备网络安全背景（CTF、漏洞挖掘、代码审计、逆向、攻防对抗）中至少一项者优先。
- 能够阅读相关论文并复现其中的方法，将研究问题拆解为可验证的实验，具备良好的工程习惯。 加分项
- 安全或 AI 方向顶会/顶刊论文，安全高质量工业界会议（如 Blackhat、Defcon等）成果。
- CTF 赛事获奖、知名漏洞（CVE）披露、开源安全工具贡献。
- 有可验证任务、自动评测环境或训练奖励设计经验。
