岗位背景 博瑞迪生物正布局自研垂直领域智能体及配套底座大模型， 依托公司在基因型、 表型等生物大数据领域的积累， 打造面向分子育种 / 生物科技的 AI 能力。 本岗位是自研底座模型团队的核心工程角色， 重点负责大模型后训练与垂直领域适配。 采用"本地部署 + 云端服务"结合的部署模式， 自研模型成熟后基于模型能力对外提供服务， 无需与大厂比拼通用 token 定价。 岗位职责 1. 大模型后训练： 负责大模型的 SFT（监督微调） 、 RLHF / DPO 等对齐训练、 领 域持续预训练， 提升模型在生物科技垂直场景的效果与稳定性。 基于开源底座模型 （如 DeepSeek、 Llama 等） 进行微调与后训练， 而非从零训练。 2. 训练数据治理： 参与全量数据盘点， 对基因型、 表型等多模态生物数据进行清 洗、 标注、 配比与训练集构建， 评估数据对模型训练的支撑能力。 3. 训练优化与工程化： 优化训练流程与分布式训练策略， 提升训练效率、 降低算力 成本， 保障大规模训练任务的稳定运行。 4. 垂直领域模型适配： 结合生物 / 分子育种领域知识， 将通用底座模型适配到具体 业务场景， 解决领域术语理解、 专业推理等问题。 5. 效果评估与迭代： 建立模型评测体系， 跟踪训练效果， 基于评测结果持续迭代训 练方案与数据策略。 6. 跨团队协作： 与领域科学家、 产品、 业务团队对接， 将模型能力落地到智能体产 品及对外科研服务中。

任职要求 1. 学历与专业： 计算机、 人工智能、 生物信息学、 计算生物学等相关专业硕士及以 上学历。 2. 模型训练经验： 2 年以上大模型训练或后调优经验， 熟悉 SFT、 RLHF、 DPO、 LoRA / QLoRA 等主流后训练方法。 3. 工程能力： 熟练使用 PyTorch、 DeepSpeed、 Megatron-LM 等框架， 具备分布 式训练、 混合精度训练、 显存优化等实战经验。 4. 数据处理能力： 熟悉大规模文本 / 多模态数据的清洗、 去重、 配比流程， 有构建 高质量训练数据集的经验。5. 领域知识（关键加分项） ： 具备生物信息学、 基因组学、 分子育种或蛋白研发等 垂直领域背景者优先； 纯通用 AI 背景但有强烈意愿深耕生物领域者亦可。 6. 问题解决能力： 能够独立定位训练过程中的效果退化、 过拟合、 发散等问题并提 出解决方案。 7. 沟通协作： 具备良好的跨团队沟通能力， 能与业务方共同定义模型目标与验收标 准。 加分项 • 有生物大模型（如蛋白、 基因组、 育种相关模型） 训练或微调经验； • 有同赛道企业工作或项目经历； • 熟悉智能体（Agent） 架构与 RAG、 工具调用等技术， 有模型落地到智能体产品 的经验； • 有开源大模型贡献或顶会论文（NeurIPS / ICML / ACL 等） ； • 有 GPU 集群搭建与算力调度经验。 工作方式 全职。 工作地点： 广州。