岗位职责
-应用场景后训练：负责百度文心 Lite 模型在具体应用场景下的后训练全流程——从场景需求拆解与能力维度定义出发，完成训练数据的构造、筛选与合成，选型并调优 SFT、偏好对齐（DPO/RLHF）、模型蒸馏、长/短思考模式等训练策略，在效果、时延与成本之间找到业务可接受的平衡点，最终推动模型在真实流量上稳定落地 -应用模型效果评估与归因：搭建贴合业务的评估集与评估口径（自动指标、模型裁判、人工评测相结合），保证离线评估与线上表现的一致性；负责版本间效果对比、AB 实验设计与结论解读；对效果波动和 badcase 做系统性归因，判断问题来自数据分布、训练配置、基座能力、prompt/工程链路还是评估口径本身，输出可执行的改进方案并驱动下一轮迭代闭环 -中训练与预训练：参与文心 Lite 模型的中训练（mid-training）与预训练，负责数学、科学推理、知识综合、长文本、指令遵循、代码、 agent 与业务增强等方向的数据策略设计、领域数据配比实验与退火/续训方案，持续提升基座模型的通用与专项能力 -数据与评估基建：建设面向中训练与后训练的数据生产管线（采集、清洗、去重、合成、质量分级）与自动化评估体系，维护多方向 benchmark 与实验对比平台，让数据策略的收益可量化、可复现、可持续迭代 -方法沉淀与协同：沉淀可复用的数据、训练与归因方法论，与业务、平台、评估团队协同推进版本迭代与交付
职位要求
-我们更看重你的学习能力、工程落地能力和对效果负责的态度，而非某一项技术栈的完全匹配；专业背景不限于计算机与人工智能，数学、统计、电子等相关专业同样欢迎 -有扎实的机器学习/深度学习基础，能用 Python 和主流框架（PaddlePaddle、PyTorch 等）独立跑通训练、评估、推理链路；框架不熟但基础扎实，我们相信你能快速上手 -理解大语言模型的整体技术栈，在预训练、中训练、SFT、偏好对齐、蒸馏中的任一环节有较深入的理解或实践经验即可，不要求全链路覆盖 -对数据和指标有敏感度，愿意深入 badcase 细节做归因；有大规模数据处理经验（Spark / MapReduce / Hadoop 等）或愿意在工作中补齐这部分能力 -具备较强的实验设计与问题定位能力，习惯用消融实验和指标分析说话，能把"效果不好"拆成可验证的假设 -以下经历会是加分项（非必需）：主导过大规模数据处理或模型训练；有模型效果评估体系、自动化评测或 AB 实验的建设经验；在数学推理、代码与 agent、长文本、指令遵循等方向有专项优化经验；在 NeurIPS / ICML / ACL / ICLR 等会议发表论文，或在公开评测、算法竞赛中取得较好成绩；有开源项目贡献 -主动、皮实、结果导向，能在快节奏迭代中稳定交付，乐于与不同角色的同学协作
