主分类：大模型与生成式算法研发
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": "大模型结构和预训练算法实习生",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "核心本地商业-基础研发平台",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "协助探索下一代大模型预训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型。\n1）设计更高效的模型结构，提高给定数据量、计算量、参数量、序列长度等约束下的模型能力，如长序列能力、记忆能力、推理能力等。\n2）探索更科学的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知，探索更适合大模型的optimizer等。\n3）研究模型结构和数据的耦合关系；探索预训练与上下游环节的联合优化；改进分阶段训练范式。\n4）结合MLsys解决大规模训练和推理中遇到的卡点问题，实现算法和工程联合设计。",
"requirements_text": "1) 有相关方向科研经历/发表过高水平学术论文\n2) 熟悉大模型训练/推理框架，底层算子实现等\n3) 能够长期线下实习",
"skills": [AI生成
"模型训练",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "1) 业界前列的算力规模\n2) 团队在北京上海香港均有base\n3) 成果可发表论文，也可参与内部模型训练，充分提高个人影响力"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3806618515&jobShareType=1"
}
]
},
"posting": {
"posting_id": "3806618515",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3806618515&jobShareType=1"
},
"fulltext": "大模型结构和预训练算法实习生\n大模型结构和预训练算法实习生\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：算法\n更新时间：2026-01-04\n\n岗位职责\n协助探索下一代大模型预训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型。\n1）设计更高效的模型结构，提高给定数据量、计算量、参数量、序列长度等约束下的模型能力，如长序列能力、记忆能力、推理能力等。\n2）探索更科学的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知，探索更适合大模型的optimizer等。\n3）研究模型结构和数据的耦合关系；探索预训练与上下游环节的联合优化；改进分阶段训练范式。\n4）结合MLsys解决大规模训练和推理中遇到的卡点问题，实现算法和工程联合设计。\n\n岗位基本要求\n1) 有相关方向科研经历/发表过高水平学术论文\n2) 熟悉大模型训练/推理框架，底层算子实现等\n3) 能够长期线下实习\n\n岗位亮点\n1) 业界前列的算力规模\n2) 团队在北京上海香港均有base\n3) 成果可发表论文，也可参与内部模型训练，充分提高个人影响力\n协助探索下一代大模型预训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型。\n1）设计更高效的模型结构，提高给定数据量、计算量、参数量、序列长度等约束下的模型能力，如长序列能力、记忆能力、推理能力等。\n2）探索更科学的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知，探索更适合大模型的optimizer等。\n3）研究模型结构和数据的耦合关系；探索预训练与上下游环节的联合优化；改进分阶段训练范式。\n4）结合MLsys解决大规模训练和推理中遇到的卡点问题，实现算法和工程联合设计。\n1) 有相关方向科研经历/发表过高水平学术论文\n2) 熟悉大模型训练/推理框架，底层算子实现等\n3) 能够长期线下实习",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}