大模型算法工程师
岗位职责
模型基座与前沿方向探索：参与AI native OS中的大模型推理pipeline、多模态任务、认知架构等方向研发，持续提升模型在真实任务中的表现。 高质量数据与Post-Training：设计数据方案，完成大规模的后训练，重点包括强化学习（RLHF/DPO/GRPO等）和多模态能力提升，并能在多卡/分布式环境下稳定调优。 系统集成与工程落地：与工程团队协作，将模型能力集成至产品，关注推理延迟、吞吐、可扩展性等工程指标，确保稳定运行。 前沿跟踪与内部开源：探索多模型架构（如LLaVA、Qwen-VL等）、强化学习对齐方法、推理加速等新技术，并鼓励将有价值的数据集、模型权重、实验文档以开源或内部共享方式沉淀。 构建评估体系与Benchmark：围绕模型训练目标（如强化学习对齐效果、多模态理解能力、推理性能等），设计并构建高质量的评估基准（Benchmark），简历可持续追踪的评估流程，用于指导模型迭代与版本对比。
我们希望你
不仅了解Transformer、Attention、MoE的原理，更能独立完成从数据构建、SFT/DPO/RLHF训练到推理加速的全流程。 有过从0到1搭建多模态或RAG/Agent系统的经验，并且不满足于“跑通demo”，而是关注延迟优化、准确率提升（如从37%->91%）、系统稳定性等工程指标。 对开源有热情，愿意将高质量模型权重、数据集、技术报告沉淀下来。
任职要求
硕士研究生及以上学历,计算机、数学、通信等相关专业。 熟练掌握PyTorch、Hugging Face Transformers等工具。精通 Python。 有大模型Post-Training（SFT、RLHF/DPO/GRPO）和多卡/分布式训练实战经验。 有多模态LLM（如LLaVA、Qwen-VL系列）或RAG类项目的完整落地经验（从数据到评估到部署）。
加分项：
有CCFA/中科院1区等高水平论文发布经历。 有开源模型权重或高质量数据集的实际贡献经历（如Github、Hugging Face）。 熟悉推理加速工具（量化、LoRA、DeepSpeed）。 熟悉VLM架构及多模态数据-训练-测试全流程。 对强化学习对齐方法（DPO/GRPO/PPO等）有深入理解和实践经验。 能独立完成英文论文复现于技术报告撰写。
你将获得
极具竞争力的薪资。25-50k·16 双休,五险一金齐全,弹性工作时间,办公室近地铁。 远离 PUA,直接与创始人并肩作战,接触前沿科技行业视野。 轻松、平等、开放的硅谷式办公文化。
