岗位职责
- 面向Agentic OS，参与端侧大模型架构设计与训练、训推一体的端侧大模型新架构探索落地与跨场景执行能力的系统级Agent算法体系建设；目标为通过算法与硬件的协同设计，在极小的功耗和内存预算下，实现极致的模型性能。
- 负责大语言模型、多模态大模型在端侧场景下的继续预训练（CPT）、后训练（SFT, OPD, RL等）及持续学习，构建从数据清洗到模型落地的全链路训练pipeline。
- 针对端侧芯片和内存特性，设计新型模型结构，探索参数共享与稀疏化方案。
- 主导量化感知训练（QAT），实施低比特量化（如INT4/INT8），在保证精度的前提下压缩模型体积与显存占用。
- 运用知识蒸馏（Knowledge Distillation），将云端大模型（Teacher）的能力迁移至端侧小模型（Student），攻克“大改小”的能力衰减难题。
- 建立端侧模型评测体系，不仅关注准确率，更关注首字延迟（Prefill）、生成速度（Decoding）、功耗峰值等硬性指标。
- 前沿技术探索与成果产出，建立Agentic OS的算法创新壁垒，推动顶级会议论文与核心专利产出。
职位要求
- 硕士及以上学历，人工智能、计算机科学、电子信息技术等相关专业；
- 具备以下至少一到两个方向的深入研究或实践经验：大语言模型、多模态大模型、大模型后训练、大模型预训练、强化学习；
- 深入掌握Transformer架构，了解主流dense和MoE开源模型（Qwen, Deepseek等）的结构设计原理；
- 具备复杂系统建模能力，能够从系统角度设计完整闭环；
- 在 ICML / NeurIPS / ICLR / AAAI / ACL / CVPR / EMNLP 等顶级会议发表论文者优先；
- 具备较强的独立研究能力与创新能力。
