【岗位职责】
1.模型架构设计与调优：
主导大模型（LLM、多模态等）的结构创新、参数调整与性能增强
深入识别模型训练中的性能瓶颈，制定高效的预训练、微调、蒸馏及增量学习方案，提升模型在特定场景下的适用性与泛化水平

2.分布式训练工程开发：
搭建高吞吐、低延迟的大规模分布式训练系统，优化数据并行、张量并行及混合并行策略，解决超大参数量下的显存占用与通信开销问题
研究混合精度训练、梯度压缩、异步通信等手段，提高千亿级及以上规模模型的训练效率与运行稳定性

3.算法优化与前沿技术探索：
针对训练效能、价值对齐等核心挑战，研发新型算法。持续跟进学术界与工业界的最新成果（如Agent技术、世界模型、推理加速），推动先进技术快速实现落地应用

【任职要求】
1.计算机科学、人工智能、数学、统计学或相关专业硕士/博士学历，有顶级科研机构或实验室经历者优先
2.深入理解Transformer架构及其衍生模型（如GPT、BERT、T5等）的原理与实现机制
3.熟练使用PyTorch框架，具备分布式训练（DeepSpeed/Megatron等）与高性能计算（CUDA/MPI）优化经验
4.具备扎实的数学功底（优化理论、概率统计、线性代数），能够独立复现顶会论文并进行算法改进
5.有大规模预训练模型的开发、调优或部署经验，熟悉预训练、指令微调（InstructionTuning）、对齐技术（RLHF/DPO）等完整流程
6.拥有实际分布式训练项目经验，掌握ZeRO、模型并行、流水线并行等关键技术，熟练运用主流分布式训练框架
7.熟悉参数高效微调方法（LoRA、Adapter、PromptTuning）以及模型压缩技术（量化、剪枝、知识蒸馏）
8.能围绕训练效率、显存消耗、推理时延等问题提出创新性解决方案

【加分项】
1.具备大模型开发经历，主导过亿级参数模型的全流程训练，有千亿级模型优化经验者优先
2.在NeurIPS/ICML/ACL等顶级会议发表过大模型相关研究成果，或主导过知名开源项目（如HuggingFace、LangChain等生态贡献）
3.具备多模态大模型、AIAgent系统、或超大规模RLHF的实际项目经验