（一）岗位职责
（1）负责0.6B–8B规模大模型的训练、微调与评测，包括指令微调（SFT）和对齐（RLHF/DPO），在真实业务场景中构建训练数据与任务体系；
（2）参与模型结构与训练策略优化，包括Tokenizer、Attention结构、长上下文处理、推理优化等方向，提升模型在特定任务中的效果与效率；应用如LinearAttention、Engram等新型模型技术训练方案；
（3）与工程团队协作，利用量化、剪枝、蒸馏等技术优化模型负载，根据计算流程具体优化算子/模型结构；
（4）跟踪大模型与AI对齐前沿进展，沉淀为技术报告、实验记录或可复用代码模块，并参与论文、专利或开源项目的撰写与发布。
（二）任职要求
（1）优秀的本科及以上应届毕业生或青年工程师，计算机/人工智能/数学/物理/电子等相关方向；具备良好的技术表达能力：能阅读英文论文、撰写实验报告并实现可复现代码；
（2）扎实的机器学习与深度学习基础，熟悉Transformer架构及主流大模型（LLaMA/Qwen等）的训练或推理机制；
（3）熟练使用Python，具备PyTorch训练开发经验，深入理解Transformer架构及常见LLM的内部原理，具备大模型微调项目经验，熟悉HuggingFace生态；
（4）了解大模型微调与推理优化方法，如LoRA/QLoRA、蒸馏、量化、推理加速、长上下文优化等，对模型部署和系统性能有基本理解。
（三）加分项
（1）具备0.5B–3B小规模大模型训练或高效微调经验，能够在有限算力下优化模型效果与推理效率；具备端侧模型部署经验；
（2）具有Linear/HybridAttention（如RWKV,Mamba,Deltanet等）微调或结构优化实战经验；
（3）在NeurIPS/ICML/ICLR/ACL/CVPR等会议发表或在投论文，或拥有高质量开源项目、技术博客或竞赛成果。