岗位职责
- 客户场景落地与算法迭代：直面客户真实业务痛点，敏捷完成业务所需模型（多模态 CLIP/SAM/OCR/ASR 模型，或特征提取/检索排序模型）的选型、快速解决海量数据解析、提取与检索难题。
- 数据合成与模型微调：在业务长尾或缺数据场景下，利用大模型技术进行高质量的数据合成（Data Synthesis）与自动标注。基于合成数据与真实业务反馈，敏捷完成模型的小样本微调（SFT）或强化学习迭代，快速攻克业务难题。
- 算法工程与数据流水线：基于处理海量数据的经验，负责核心算法流水线的设计与工程落地，构建高可用、易扩展的模型服务架构，保障算法在 OceanBase 底座上的规模化稳定运行。
职位要求
- 基础与工程能力：熟练掌握 Python / C++，具备扎实的算法功底（熟悉 PyTorch），代码质量高，工程落地能力极强。
- 算法与落地经验（满足其一即可）： ○ 多模态/AI方向：对 CV、ASR 或前沿多模态模型（如 CLIP、SAM）有深入理解，有实际生产环境的微调与调优经验。 ○ 搜广推方向：精通搜索、推荐或广告算法全链路（召回、CTR 预估、排序优化等），具备海量数据特征工程、模型线上迭代与 A/B 实验经验，且有将 LLM/大模型应用于搜广推业务的实战经验。
- 综合素质：极强的实战与问题解决能力（Problem-Solver）。能够跳出纯算法视角，从客户业务的真实诉求出发，快速定位效果与性能瓶颈，交付最佳实践。 加分项
- 大/小模型训练经验：有 LLM 或小模型（SLM）的后训练（Post-training）实战经验，熟悉 SFT、强化学习（如 PPO、GRPO 等） 以及高质量监督数据集的构建策略。
- AI 架构与服务部署：熟悉主流大模型推理框架（如 vLLM 等）及底层算子加速，或有异构 GPU 集群的大规模部署经验。
- 前沿技术应用：有 RAG、Agent 开发经验，或利用 LLM 解决过复杂数据自动标注、离线评测等实际业务痛点。
- 底层架构认知：了解分布式数据库或数据湖。
