LLM 模型训练与优化工程师【2027届校招】

关于我们

我们致力于构建新一代大模型系统基础设施，让大模型能够在真实业务和自动驾驶场景中稳定运行、可控迭代并持续进化。

本方向聚焦大模型后训练、对齐优化、数据闭环和评测迭代，强调工程能力、系统设计能力和面向真实场景的问题拆解能力，追求可落地、可扩展、可持续优化的模型能力建设。

岗位职责

作为模型后训练与优化工程师，你将参与构建面向真实业务场景的大模型训练与优化体系，主要工作包括：

参与大模型 SFT / DPO / RLHF / RLAIF 等后训练流程开发与训练策略迭代。

构建训练数据 pipeline，包括数据采集、清洗、去重、合成、标注、质量评估与版本管理。

针对代码、自动驾驶研发、车载交互等特定场景优化模型能力。

建立模型评测与迭代体系，包括 offline benchmark、online 评测、回归测试和 badcase 分析。

分析模型输出质量、稳定性和安全性问题，推动数据、训练 recipe 与推理参数优化。

与端侧部署团队协作，支持模型蒸馏、量化适配、小模型裁剪和交付验证。

任职要求

计算机相关专业本科及以上学历

扎实的计算机基础，包括数据结构、操作系统、计算机体系结构等。

熟悉至少一种编程语言（Python / C++ / Go / Java）。

对大模型、机器学习或 AI 系统有基本了解或强兴趣。

具备良好的学习能力、工程动手能力和问题定位能力。

能阅读英文技术文档和论文。

加分项（非必须）

有 LLM / NLP / 机器学习项目经验。

使用过 PyTorch、Transformers、DeepSpeed、Megatron-LM、TRL 等训练相关框架。

熟悉 LoRA / QLoRA / SFT / DPO / RLHF 等后训练方法。

有数据清洗、数据合成、评测集构建或模型评测经验。

熟悉 Kubernetes / Docker / Linux 环境。

有模型蒸馏、量化或推理优化经验。

有开源项目或工程实践经验。

我们提供的成长机会：

深度参与大模型从数据、训练、评测到部署交付的完整工程链路。

接触真实生产级 LLM 系统与自动驾驶复杂场景。

建立模型能力迭代、数据闭环和评测体系的系统化经验。

与训练、部署和业务团队协作，理解 AI 系统落地中的真实工程问题。