主分类：网络信息安全
辅助：大模型与生成式算法研发（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": "数据技术及产品部-大模型安全对抗专家-杭州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-安全"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机、网络安全、人工智能等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.主导集团大模型安全与对抗防御体系的构建：结合多模态、Agent、具身智能等前沿业务场景，负责大模型全链路（预训练数据防投毒/SFT对齐/RLHF/推理部署）的安全对抗演练、漏洞挖掘及红蓝对抗算法优化。\n2.负责构建基于多模态与Agentic的自动化红队攻击体系：设计并研发基于强化学习、进化算法或多Agent协同的自动化越狱、提示词注入和对抗性扰动生成算法，实现对多模态模型的高并发、深层次安全边界压力测试。\n3.负责大模型安全对齐与安全护栏算法的研发：研究并落地基于RLAIF、DPO、KTO等前沿对齐技术；设计并迭代高性能、低延迟的输入/输出内容安全过滤模型与多维风险评估机制，保障生成内容符合安全合规标准。\n4.负责攻克大模型深层漏洞与新型威胁防御：针对间接提示词注入、数据投毒、偏好劫持及版权/隐私泄露等高阶安全威胁，研发对应的算法检测器与鲁棒性增强方案。\n5.主导自动化对抗消融实验与防御价值验证闭环：设计高精度、轻量化的多维安全评测Benchmark与自动化对抗博弈平台，通过算子智能编排实现7*24H的“攻击自动生成-防御实时阻断-模型快速微调”的安全对抗迭代闭环。",
"requirements_text": "1.计算机、网络安全、人工智能等相关专业硕士及以上学历，具备扎实的大模型安全、AI对抗样本、密码学或传统Web安全背景，拥有成熟的模型红队测试或对齐算法落地经验。\n2.熟练掌握PyTorch等深度学习框架，在Transformer架构、大模型微调（PEFT/SFT）、RLHF/DPO对齐、强化学习等至少一个领域有深入的算法落地经验。\n3.熟悉大模型主流安全漏洞与绕过机制，有基于LLM-as-a-Judge的安全评估框架研发经历，或熟悉多模态对抗样本生成、黑盒/白盒对抗攻击算法者优先。\n4.具备优秀的数学建模与安全策略设计能力，熟悉海量攻击等特征工程，对分布式训练、大规模红队自动化工程化实现及推理加速优化有深刻理解。\n5.具备强烈的技术创新意识、极客精神与自驱力，精通Python/C++/Go等至少一种编程语言，能高效协同工程、合规与各业务大模型团队，推动“漏洞挖掘-安全防御-对齐训练”全流程迭代。\n6.在安全或人工智能顶级会议/期刊（CVPR,NeurIPS,ICLR,ACL等）发表过高水平安全对抗/AI安全方向论文，或在知名AI比赛、大模型安全挑战赛中获得优异成绩，或有大型开源AI安全项目贡献经历者优先。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"深度学习",
"强化学习",
"模型微调",
"建模",
"大语言模型"
],
"preferred_qualifications": "3.熟悉大模型主流安全漏洞与绕过机制，有基于LLM-as-a-Judge的安全评估框架研发经历，或熟悉多模态对抗样本生成、黑盒/白盒对抗攻击算法者优先；6.在安全或人工智能顶级会议/期刊（CVPR,NeurIPS,ICLR,ACL等）发表过高水平安全对抗/AI安全方向论文，或在知名AI比赛、大模型安全挑战赛中获得优异成绩，或有大型开源AI安全项目贡献经历者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100025060006"
}
]
},
"posting": {
"posting_id": "100025060006",
"post_date": "2026-07-28",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100025060006"
},
"fulltext": "数据技术及产品部-大模型安全对抗专家-杭州\n数据技术及产品部-大模型安全对抗专家-杭州\n\n基础信息\n职位类别：技术类-安全\n工作地点：杭州\n\n职位描述\n1.主导集团大模型安全与对抗防御体系的构建：结合多模态、Agent、具身智能等前沿业务场景，负责大模型全链路（预训练数据防投毒/SFT对齐/RLHF/推理部署）的安全对抗演练、漏洞挖掘及红蓝对抗算法优化。\n2.负责构建基于多模态与Agentic的自动化红队攻击体系：设计并研发基于强化学习、进化算法或多Agent协同的自动化越狱、提示词注入和对抗性扰动生成算法，实现对多模态模型的高并发、深层次安全边界压力测试。\n3.负责大模型安全对齐与安全护栏算法的研发：研究并落地基于RLAIF、DPO、KTO等前沿对齐技术；设计并迭代高性能、低延迟的输入/输出内容安全过滤模型与多维风险评估机制，保障生成内容符合安全合规标准。\n4.负责攻克大模型深层漏洞与新型威胁防御：针对间接提示词注入、数据投毒、偏好劫持及版权/隐私泄露等高阶安全威胁，研发对应的算法检测器与鲁棒性增强方案。\n5.主导自动化对抗消融实验与防御价值验证闭环：设计高精度、轻量化的多维安全评测Benchmark与自动化对抗博弈平台，通过算子智能编排实现7*24H的“攻击自动生成-防御实时阻断-模型快速微调”的安全对抗迭代闭环。\n\n职位要求\n1.计算机、网络安全、人工智能等相关专业硕士及以上学历，具备扎实的大模型安全、AI对抗样本、密码学或传统Web安全背景，拥有成熟的模型红队测试或对齐算法落地经验。\n2.熟练掌握PyTorch等深度学习框架，在Transformer架构、大模型微调（PEFT/SFT）、RLHF/DPO对齐、强化学习等至少一个领域有深入的算法落地经验。\n3.熟悉大模型主流安全漏洞与绕过机制，有基于LLM-as-a-Judge的安全评估框架研发经历，或熟悉多模态对抗样本生成、黑盒/白盒对抗攻击算法者优先。\n4.具备优秀的数学建模与安全策略设计能力，熟悉海量攻击等特征工程，对分布式训练、大规模红队自动化工程化实现及推理加速优化有深刻理解。\n5.具备强烈的技术创新意识、极客精神与自驱力，精通Python/C++/Go等至少一种编程语言，能高效协同工程、合规与各业务大模型团队，推动“漏洞挖掘-安全防御-对齐训练”全流程迭代。\n6.在安全或人工智能顶级会议/期刊（CVPR,NeurIPS,ICLR,ACL等）发表过高水平安全对抗/AI安全方向论文，或在知名AI比赛、大模型安全挑战赛中获得优异成绩，或有大型开源AI安全项目贡献经历者优先。\n1.主导集团大模型安全与对抗防御体系的构建：结合多模态、Agent、具身智能等前沿业务场景，负责大模型全链路（预训练数据防投毒/SFT对齐/RLHF/推理部署）的安全对抗演练、漏洞挖掘及红蓝对抗算法优化。\n2.负责构建基于多模态与Agentic的自动化红队攻击体系：设计并研发基于强化学习、进化算法或多Agent协同的自动化越狱、提示词注入和对抗性扰动生成算法，实现对多模态模型的高并发、深层次安全边界压力测试。\n3.负责大模型安全对齐与安全护栏算法的研发：研究并落地基于RLAIF、DPO、KTO等前沿对齐技术；设计并迭代高性能、低延迟的输入/输出内容安全过滤模型与多维风险评估机制，保障生成内容符合安全合规标准。\n4.负责攻克大模型深层漏洞与新型威胁防御：针对间接提示词注入、数据投毒、偏好劫持及版权/隐私泄露等高阶安全威胁，研发对应的算法检测器与鲁棒性增强方案。\n5.主导自动化对抗消融实验与防御价值验证闭环：设计高精度、轻量化的多维安全评测Benchmark与自动化对抗博弈平台，通过算子智能编排实现7*24H的“攻击自动生成-防御实时阻断-模型快速微调”的安全对抗迭代闭环。\n1.计算机、网络安全、人工智能等相关专业硕士及以上学历，具备扎实的大模型安全、AI对抗样本、密码学或传统Web安全背景，拥有成熟的模型红队测试或对齐算法落地经验。\n2.熟练掌握PyTorch等深度学习框架，在Transformer架构、大模型微调（PEFT/SFT）、RLHF/DPO对齐、强化学习等至少一个领域有深入的算法落地经验。\n3.熟悉大模型主流安全漏洞与绕过机制，有基于LLM-as-a-Judge的安全评估框架研发经历，或熟悉多模态对抗样本生成、黑盒/白盒对抗攻击算法者优先。\n4.具备优秀的数学建模与安全策略设计能力，熟悉海量攻击等特征工程，对分布式训练、大规模红队自动化工程化实现及推理加速优化有深刻理解。\n5.具备强烈的技术创新意识、极客精神与自驱力，精通Python/C++/Go等至少一种编程语言，能高效协同工程、合规与各业务大模型团队，推动“漏洞挖掘-安全防御-对齐训练”全流程迭代。\n6.在安全或人工智能顶级会议/期刊（CVPR,NeurIPS,ICLR,ACL等）发表过高水平安全对抗/AI安全方向论文，或在知名AI比赛、大模型安全挑战赛中获得优异成绩，或有大型开源AI安全项目贡献经历者优先。",
"standard_classification": {
"std_category_code": "T023",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}