岗位职责
- 探索下一代大模型训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型设计更高效的模型结构，提高给定数据量、计算量、硬件资源、序列长度等约束下的模型能力和潜力，如长序列能力、记忆能力、推理能力等。
- 探索更科学的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知。
- 探索更前沿的训练范式（如diffusion LLM，test-time scaling等具有潜力的技术），发现更高效和稳定的scaling路径。
- 研究模型结构和数据的耦合关系，优化分阶段训练范式。
- 研究模型早期表现和能力上限之间的关系。
- 结合MLsys解决大规模训练和推理中遇到的卡点问题，实现算法和工程联合设计。
职位要求
- 熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验。
- 熟悉主流大模型技术熟悉PyTorch、 Megatron、DeepSpeed 、vLLM、SGLang等主流开源训练和推理框架。 加分项：
- 有影响力的开源项目中做出过核心贡献。
- 发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。
