岗位职责
Ling Team 聚焦百灵模型家族的核心算法创新。 我们不仅关注算法的理论上限，更关注： * 算法在工业界场景的稳定落地与高效实现 * 训练与推理系统的极致性能（吞吐与利用率） * 从数据处理到模型部署的全链路自动化与工程化 * 在万亿参数与百万上下文规模下的系统鲁棒性 在1T参数与1M Context的规模下，即时模型的后训练是一项庞大的系统工程。本岗位将主导大规模训练Pipeline的构建、Agentic 能力的工程实现以及数据流转系统的开发。我们寻找的不仅是理解算法原理的工程师，更是能编写高质量代码、构建高效训练框架、解决实际算力与数据瓶颈的实战派。 主要职责包括：
- 大规模训练管线构建与优化 (Pipeline Engineering) * 训练系统开发：负责万亿参数级模型 SFT / RLHF / RLVR / Agentic RL 等全流程训练的搭建、维护与性能调优； * 效率与稳定性：解决分布式训练中的显存墙、通信瓶颈与稳定性问题，优化 GPU 利用率与训练吞吐量（Throughput）； * 算法工程化落地：将前沿的强化学习算法（如复合奖励模型、过程监督）转化为高可用的工程代码，实现训推一体化框架的平滑流转； * 实验管理：构建标准化的实验管理平台，支持算法团队进行高效的超参搜索与模型迭代。
- 模型能力实现与评测体系 (Capability Implementation & Eval) * 能力专项建设：针对逻辑推理、长程规划及工具使用（Tool Use）等能力，实现具体的训练任务与数据配方加载，确保模型能力按预期对齐； * Agentic 工程集成：实现模型与外部环境（如代码解释器、API）的交互接口，开发高并发、高保真的 Agent 仿真训练环境； * 自动化评测：构建覆盖长上下文、多轮对话及复杂指令遵循的自动化评测系统（Eval Pipeline），快速反馈模型迭代效果。
职位要求
- 深入理解大模型训练框架和推理引擎的基本原理，熟悉底层框架基本架构和实现原理；
- 了解业界主流语言大模型相关基础结构和优化方法；
- 熟悉GPU，存储，分布式集群等相关基础知识；
- 熟悉大模型基本后训练流程以及相关算法原理；
- 能从第一性原理建模问题，有较好的动手能力；
- 有较好的团队协同能力，思路敏捷，沟通效率。 加分项：
- 有100B MOE模型以上的后训练时间经验；
- 有强化学习，SFT，OPD相关的顶会论文发表；
- 有训练，推理，评测效率优化以及与算法协同开发经验；
- 有agent Harness相关经验，超长上下文管理等能力的实践与优化经验；
- 有跨学科背景（数理化生 / 医疗 / 金融 / 法律等）；
- 各类高水平竞赛金牌选手。
