【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
深入剖析模型训练过程中的性能瓶颈，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配性与泛化表现

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、张量并行与混合并行策略，应对超大规模参数带来的显存与通信效率挑战
研究混合精度训练、梯度压缩、异步通信等技术手段，提升千亿级及以上模型的训练效率与系统稳定性

3.算法优化与前沿技术探索：
针对模型训练效率、价值对齐等核心问题，研发创新型算法。持续跟进学术界与工业界最新动态（如Agent技术、世界模型、推理加速），推动先进技术在实际业务中的快速应用

【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，具备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.拥有分布式训练实战背景，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）及模型压缩技术（量化、剪枝、知识蒸馏）
8.能够针对训练效率、显存占用、推理延迟等关键问题提出有效且创新的解决方案

【加分项】
1.具备大模型开发经验，主导过亿级参数模型的完整训练流程，有千亿级模型优化实践经验者优先
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