岗位职责
Ling Team 聚焦百灵模型家族的核心算法创新。 我们关注的不只是 benchmark 指标，而是：
- 极限深度思考能力；
- 长程推理与规划能力；
- Agentic 执行与真实世界决策；
- 在工业规模下可持续扩展的训练范式。 在万亿参数与百万亿 token 规模下，算法设计必须与系统规模协同演化。 本岗位将参与模型架构、预训练策略与强化学习范式的核心设计，推动模型能力边界的持续扩展。 我们寻找的不是只优化 loss 和 benchmark 的研究员，而是能参与定义下一代通用语言模型能力形态的人。 主要职责包括： 模型架构创新
- 设计与优化 Transformer / MoE / 混合 Attention 等架构；
- 探索高效计算结构与能力提升之间的 trade-off；
- 建模与验证 架构/超参/数据 Scaling Laws；
- 设计支持长上下文与深度思考的结构机制；
- 与系统团队协作完成架构级 co-design；
- 探索针对记忆机制的架构设计和训练方式。 超大规模预训练策略
- 设计大规模预训练目标，建立预训练模型能力的定量评估框架；
- 优化 optimizer、数据配比与编排策略；
- 构建 mid-training 与能力迁移机制；
- 在百万亿 token 规模下验证训练假设。 后训练与强化学习范式
- 优化基于 SFT / RLVR / Agentic RL / RLHF / distillation 的后训练范式；
- 构建“正确性 × 过程质量 × 信息密度”复合奖励机制；
- 优化 reasoning 与 tool-use 协同能力，实现周级别的长程工作能力；
- 推动强化学习在工业规模上的稳定训练；
- 设计 multi-agent RL 协同训练与工作范式。
职位要求
- 扎实的深度学习与优化理论基础；
- 深入理解 Transformer、MoE 与主流大模型架构；
- 有大规模预训练或后训练实战经验；
- 熟悉 SFT / RLHF / Alignment 等训练范式；
- 能独立设计实验并进行严谨验证；
- 能从第一性原理建模问题；
- 对 scaling 与能力演化有系统性思考；
- 能在复杂工程约束下做出算法决策。 加分项
- 在顶会 / 顶刊发表过相关论文；
- 有 MoE 或新型 Attention 设计经验；
- 有 Agentic 模型或工具调用训练经验；
- 有长上下文（100K+）能力训练经验；
- 有跨学科背景（数理化生 / 医疗 / 金融 / 法律等）；
- 有数据分布建模与数据 scaling 经验；
- 参与过 100B 以上参数规模的模型训练；
- 各类高水平竞赛金牌选手。
