1. 硕士及以上学历，计算机科学、人工智能、数学、数据科学或相关专业背景。 2. 具备扎实的机器学习与深度学习理论基础，熟悉 Transformer 架构、注意力机制和预训练范式。 3. 至少 2 年以上大规模模型研发经验，熟悉 PyTorch、DeepSpeed、Megatron-LM、vLLM 等主流训练/推理框架。 4. 具备大规模分布式训练调优经验，能够独立设计高效的分布式训练策略，解决 GPU 集群资源利用与性能瓶颈问题。 5. 熟练掌握至少一种大语言模型微调技术（LoRA、P-Tuning、RLHF、DPO 等），有实际落地案例。 6. 具备将复杂业务需求抽象为模型问题并提出创新性解决方案的能力。

1、大模型研发与优化：负责预训练语言模型的研发与优化，包括参数规模在百亿级以上的 Transformer 类模型；探索混合专家（MoE）、长上下文（Long-Context）、稀疏注意力等前沿架构提升推理与训练效率。 2、模型训练与微调：针对不同业务场景，开展大规模语料预训练、指令微调（Instruction Tuning）、偏好对齐（RLHF、DPO 等）和低成本高效微调（LoRA、QLoRA、P-Tuning 等），提高模型在垂直领域的表现。 3、性能与部署优化：研究并实现分布式训练（如 ZeRO、FSDP、DeepSpeed、Megatron-LM）、模型并行与推理加速（vLLM、TensorRT-LLM、FlashAttention），降低 GPU 内存消耗与推理时延。 4、工程落地：与平台团队协作，提供模型推理服务 API，封装高性能 SDK，支持多端调用（Web/移动端）；负责大模型在知识图谱、搜索推荐、对话系统等场景的落地与优化。 5、前沿探索：跟踪 LLM、Multimodal、RAG（检索增强生成）、Agent 框架以及模型安全性（安全对齐、防幻觉）领域的最新进展，推动大模型与知识图谱、图神经网络等技术结合。