资深大模型算法工程师(J11975)

职位描述

1、整体架构设计： 负责大模型全链路算法架构设计，制定从数据构建、预训练/增量预训练、SFT（指令微调）到 RLHF/DPO（对齐）的技术路线图，平衡模型效果与训练成本。

2、垂类模型优化： 针对医疗领域的专业性，优化Qwen系列开源模型，解决模型在医学知识推理、病历理解等方面的准确性问题；探索长文本（Long Context）技术以处理复杂病历。

3、应用架构攻坚： 参与设计“检索增强生成（RAG）+ 大模型”的混合架构，解决模型幻觉问题；参与Agent（智能体）框架设计工作，赋予模型调用医疗工具、查询知识库及多轮对话的能力。

4、性能与工程化： 负责训练及推理侧的效率优化。利用 DeepSpeed/Megatron 进行分布式训练加速；通过量化（Quantization）、vLLM/TensorRT 等技术优化推理服务，降低线上部署成本。

5、前沿探索与团队引领： 跟踪 mHC、MoE、多模态（Multimodal）、思维链（CoT）等前沿技术，结合业务场景进行创新；主导关键技术难题攻关，提升团队整体技术深度。

任职要求

1、学历背景： 计算机、人工智能、数学等相关专业硕士及以上学历，有医疗/生物信息+AI交叉背景者优先。

2、核心经验：5年以上算法工作经验，3年以上大模型（LLM）或大规模NLP预训练相关经验。具备完整的垂直领域大模型落地经验（从数据清洗 -> SFT -> 评测 -> 部署）。

3、深度学习与框架：精通 PyTorch，对 Transformer 架构（Attention机制、位置编码等）有深刻理解。熟悉主流开源模型（Llama, Qwen, Baichuan等）的源码及模型结构差异。

4、训练与调优能力：熟练掌握 SFT、RLHF、DPO 等训练流程。懂分布式训练底层原理，熟悉 DeepSpeed, Megatron-LM 等框架，了解 ZeRO, Tensor Parallelism 等并行策略。

5、数据敏感度：对高质量数据构建有深刻理解，熟悉医疗数据的清洗、合成（Data Synthesis）及隐私处理方法。

6、综合素质： 具备架构师思维，能平衡“模型效果”与“工程成本”；具备优秀的跨部门沟通能力，能与非技术人员（如医生）顺畅协作。

7、加分项：医疗行业Expertise： 有电子病历处理、医学知识图谱构建、医疗问答系统开发经验者极佳。

8、学术/开源影响力： 在 ACL/EMNLP/NeurIPS 等顶会发表论文，或在 HuggingFace/GitHub 有高Star 开源项目者。