文本大模型算法工程师

对话场景是大模型持续进化的理想环境 -- 海量的深度互动既检验智能边界，又提供数据来源。声网对话式AI正扎根于此，让文本大模型在实时音视频互动中迭代成长。

我们希望寻找一位文本大模型算法工程师，参与声网对话式AI与人实时互动中的持续智能进化。你将聚焦模型的后训练、调优与场景定制，围绕文本理解、对话意图识别、对话行为优化、模型评测与自进化等方向，最大化释放基座模型潜能，打造善解人意且言深意切的对话模型，拓展AI在实时音视频互动场景中的智能边界，实现自然、准确、稳定的实用对话体验。

你要做的事：

围绕声网对话式AI服务的电话呼叫、社交、陪伴、教育等场景，基于开源大模型持续提升对话智能；

聚焦后训练与强化学习，系统提升模型在垂直对话场景中的理解、推理与表达能力；

负责从训练、评测到上线的完整闭环，包括数据方案设计、模型调优、效果评估、问题诊断与性能优化；

研究并跟踪主流开源模型与训练方法，评估其业务适用性，推动模型能力落地到产品与客户场景；

与产品、工程、业务团队协作，建立开源模型向业务场景快速适配的标准流程。

核心要求：

深入理解大模型后训练全链路（CPT/SFT/DPO/RLHF/GRPO/Agentic-RL），熟悉Reranker、向量数据库、Agent记忆与自进化机制；

具备模型训练、微调、推理、评测、部署全流程能力，能独立完成数据管线建设与评测工程闭环；

善于拆解业务问题，设计可验证实验方案，推动算法能力接入生产环境。

加分项：

对话式AI、语音助手、智能客服等交互类产品经验；

Agent工具调用、工作流编排、多轮对话管理经验；

RAG系统完整落地经验，熟悉知识库构建、检索优化、重排序、上下文压缩；

熟悉主流训练推理框架（如vLLM、DeepSpeed、Megatron、LLaMA-Factory等）；

低延迟、高并发、成本优化相关经验；

ACL/EMNLP/NeurIPS/ICML/ICLR发表论文，或高质量开源项目贡献；

创业公司经历。