岗位职责

与混元基座模型团队协同，负责基座模型的网络安全对齐，让模型能判断任务边界、识别恶意意图，覆盖对话和 Agent 执行（工具调用、代码执行、自主渗透决策）两类场景；
以真实风险案例、红蓝对抗产出和威胁情报作为初始样本源，构建 harmful/borderline/benign 分层数据。负责数据分布设计、质量控制，以及数据对模型收益的消融验证；
基于 LLM 生成、改写、变异、对抗搜索、多轮/多 Agent 轨迹合成，在扩大风险手法与场景覆盖的同时，控制分布偏移和数据污染；
建设网络安全对齐评测体系，同时度量有害请求的拒绝率和正常安全工作（漏洞研究、防御开发、合规渗透）的误拒率，并补齐 Coding / 客服 / 助手类 Agent 的执行层越权评测，用评测结果驱动数据和训练策略迭代；
研究大模型护栏与内生安全，对比分析外挂护栏（分类器 / 审核模型）与模型内生对齐的取舍和组合方式，探索偏好优化、拒答校准、推理链安全约束等方法；
跟踪国内外前沿进展（头部模型厂商的安全对齐和红队实践、学术界越狱与对齐研究），快速复现、验证并工程化落地。

职位要求

计算机、人工智能、网络安全或相关专业本科及以上学历；
理解 Transformer 和大模型训练流程（预训练 / SFT / 偏好对齐，如 RLHF、DPO 等），能独立设计实验、分析训练结果、定位数据或训练问题；
熟练使用 Python 和主流深度学习框架（如 PyTorch），具备大规模数据处理和模型训练/推理的工程能力；
具备网络安全基础认知，理解常见风险利用手法（Web/API 漏洞、渗透流程、恶意代码、检测绕过与规避技巧等），能判断安全请求的风险等级和意图；
能把模型安全拆成可量化的指标（有害拒绝率、误拒率、场景覆盖），并通过数据验证方法效果；
具备跨团队协作能力，能与模型训练、评测、安全研究团队高效对接。