岗位职责
【岗位综述】： 将主导大规模预训练模型从架构设计、训练优化到业务落地的全流程工作。需要解决训练中的核心技术挑战（如分布式并行、显存优化、长文本建模等），并推动模型在智能客服、内容生成、企业决策等场景的应用。重点关注预训练、继续训练、有监督微调（SFT）、奖励模型训练（RM）和人类反馈强化学习（RLHF）等关键环节。 【核心职责】：
- 大模型训练与优化。 （1）主导百亿级以上参数的预训练模型全流程工作，包括数据清洗、架构设计、分布式训练策略制定（如Data/Pipeline/Tensor Parallelism）及训练稳定性优化； （2）优化模型训练效率，解决显存瓶颈、长序列处理、多模态对齐等问题，降低训练成本并提升模型性能.
- 后训练技术落地。 （1）开展有监督微调（SFT）、奖励模型训练（RM）和RLHF/RLAIF，提升模型的指令遵循能力、安全性和业务场景适配性。 （2）构建自动化评估体系，针对模型效果、伦理合规性设计多维评测方案。
- 技术突破与工程化。 （1）研究MoE、高效注意力机制等前沿技术，推动模型压缩、量化及推理加速，支持云端或边缘设备部署. （2）主导高可用训练平台建设，完善断点续训、故障恢复等机制，保障大规模训练的稳定性。
- 跨领域协同与赋能。 （1）与业务团队合作，将模型能力应用于智能客服、行业知识库、流程自动化等场景，通过LangChain等框架实现技术落地； （2）指导团队成员，输出技术文档与专利，构建团队技术壁垒。 【
职位要求
】：
- 教育背景：计算机科学、人工智能、数学等相关专业硕士及以上学历；
- 精通PyTorch/TensorFlow等框架，熟练掌握DeepSpeed、Megatron-LM等分布式训练工具；
- 具备70B+参数模型的预训练、继续训练、SFT、RLHF全流程实战经验，能独立解决训练中的工程问题（如显存溢出、收敛稳定性等）；
- 深入理解Transformer架构、强化学习对齐技术（如PPO、DPO）及模型优化方法（量化、蒸馏）；
- 有开源大模型（如LLaMA、Qwen、ChatGLM）改造或训练经验，熟悉高质量数据构建与治理策略；
- 在顶级会议（NeurIPS、ICML等）发表相关论文，或参与开源大模型项目者优先考虑。
- 有互联网垂直领域的大模型落地案例者优先考虑。
