主分类：大模型与生成式算法研发
辅助：AI模型评测工程（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "Token Foundry-合版算法专家-Qwen",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "通义",
"company_industry": "人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "通义提供人工智能模型及文档阅读等AI应用。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 合版核心算法研究：探索 On-policy Distillation、知识融合等先进技术，研究更优的 SFT Objective，实现多能力模型的高效合版，最大程度减少能力冲突与遗忘。\n2. 数据策略与冲突消解：深入分析不同能力域的数据配比，建立系统化的冲突检测与消解机制，制定科学的合版数据策略，保障模型在各项能力上的均衡与稳定。\n3. 合版评测体系建设：设计并推进高效、快速的合版评测方案，构建覆盖多维能力的自动化评测 Pipeline，实现合版效果的快速迭代与精准度量。\n4. 合版链路自动化：推动合版全流程的工程化与自动化，包括训练、评测、对比分析、版本管理等环节，提升模型交付的效率与可靠性。\n5. 前沿技术追踪与落地：持续关注模型融合、蒸馏、多任务学习等领域的前沿进展，将有效方法快速验证并落地到Qwen的合版实践中。",
"requirements_text": "1. 计算机、机器学习、人工智能等相关专业，硕士及以上学历，博士优先。\n2. 具有大模型 Post-training（SFT / RL 等）或模型蒸馏、模型融合相关方向的实践经验。\n3. 精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程实现能力，能够独立完成从算法研究到工程落地的全链路工作。\n4. 对数据敏感，具备良好的数据分析能力，能够系统性地定位模型能力瓶颈并制定优化策略。\n加分项\n1. 熟悉 LLM 训练框架（如 Megatron-LM、DeepSpeed、FSDP）及推理引擎（如 vLLM、SGLang）的实现原理。\n2. 曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表论文，在模型融合、知识蒸馏、多任务学习等方向具有一定学术影响力。\n3. 拥有知名开源项目贡献经历，在开源社区具有较好的影响力。\n4. 有大规模模型交付或版本迭代管理经验，熟悉模型从训练到上线的完整生命周期。",
"skills": [AI生成
"Python",
"PyTorch",
"机器学习",
"深度学习",
"数据分析",
"分析能力",
"大语言模型"
],
"preferred_qualifications": "1. 计算机、机器学习、人工智能等相关专业，硕士及以上学历，博士优先；加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100022860013"
}
]
},
"posting": {
"posting_id": "100022860013",
"post_date": "2026-08-31",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100022860013"
},
"fulltext": "Token Foundry-合版算法专家-Qwen\nToken Foundry-合版算法专家-Qwen\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京 / 杭州\n\n职位描述\n1. 合版核心算法研究：探索 On-policy Distillation、知识融合等先进技术，研究更优的 SFT Objective，实现多能力模型的高效合版，最大程度减少能力冲突与遗忘。\n2. 数据策略与冲突消解：深入分析不同能力域的数据配比，建立系统化的冲突检测与消解机制，制定科学的合版数据策略，保障模型在各项能力上的均衡与稳定。\n3. 合版评测体系建设：设计并推进高效、快速的合版评测方案，构建覆盖多维能力的自动化评测 Pipeline，实现合版效果的快速迭代与精准度量。\n4. 合版链路自动化：推动合版全流程的工程化与自动化，包括训练、评测、对比分析、版本管理等环节，提升模型交付的效率与可靠性。\n5. 前沿技术追踪与落地：持续关注模型融合、蒸馏、多任务学习等领域的前沿进展，将有效方法快速验证并落地到Qwen的合版实践中。\n\n职位要求\n1. 计算机、机器学习、人工智能等相关专业，硕士及以上学历，博士优先。\n2. 具有大模型 Post-training（SFT / RL 等）或模型蒸馏、模型融合相关方向的实践经验。\n3. 精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程实现能力，能够独立完成从算法研究到工程落地的全链路工作。\n4. 对数据敏感，具备良好的数据分析能力，能够系统性地定位模型能力瓶颈并制定优化策略。\n加分项\n1. 熟悉 LLM 训练框架（如 Megatron-LM、DeepSpeed、FSDP）及推理引擎（如 vLLM、SGLang）的实现原理。\n2. 曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表论文，在模型融合、知识蒸馏、多任务学习等方向具有一定学术影响力。\n3. 拥有知名开源项目贡献经历，在开源社区具有较好的影响力。\n4. 有大规模模型交付或版本迭代管理经验，熟悉模型从训练到上线的完整生命周期。\n1. 合版核心算法研究：探索 On-policy Distillation、知识融合等先进技术，研究更优的 SFT Objective，实现多能力模型的高效合版，最大程度减少能力冲突与遗忘。\n2. 数据策略与冲突消解：深入分析不同能力域的数据配比，建立系统化的冲突检测与消解机制，制定科学的合版数据策略，保障模型在各项能力上的均衡与稳定。\n3. 合版评测体系建设：设计并推进高效、快速的合版评测方案，构建覆盖多维能力的自动化评测 Pipeline，实现合版效果的快速迭代与精准度量。\n4. 合版链路自动化：推动合版全流程的工程化与自动化，包括训练、评测、对比分析、版本管理等环节，提升模型交付的效率与可靠性。\n5. 前沿技术追踪与落地：持续关注模型融合、蒸馏、多任务学习等领域的前沿进展，将有效方法快速验证并落地到Qwen的合版实践中。\n1. 计算机、机器学习、人工智能等相关专业，硕士及以上学历，博士优先。\n2. 具有大模型 Post-training（SFT / RL 等）或模型蒸馏、模型融合相关方向的实践经验。\n3. 精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程实现能力，能够独立完成从算法研究到工程落地的全链路工作。\n4. 对数据敏感，具备良好的数据分析能力，能够系统性地定位模型能力瓶颈并制定优化策略。\n加分项\n1. 熟悉 LLM 训练框架（如 Megatron-LM、DeepSpeed、FSDP）及推理引擎（如 vLLM、SGLang）的实现原理。\n2. 曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表论文，在模型融合、知识蒸馏、多任务学习等方向具有一定学术影响力。\n3. 拥有知名开源项目贡献经历，在开源社区具有较好的影响力。\n4. 有大规模模型交付或版本迭代管理经验，熟悉模型从训练到上线的完整生命周期。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T015"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}