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": "基座大模型算法研究员 (Mid-training)",
"job_level": "未披露",AI生成
"work_category": "全职",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": "1. 大规模高质量数据体系与合成数据建设\n\n数据体系构建： 建设 Trillion 级别的大规模跨模态数据处理与合成链路。负责从数据清洗、去重、质量评分到动态配比建模的全流程优化。\n\n合成方法演进： 深入探索大规模合成数据 (Synthetic Data) 与自蒸馏 (Self-distillation) 技术，针对复杂逻辑推理、代码生成及多模态场景，制定Pre-training与 Mid-training 阶段的合成数据应用策略。\n\n理论探索： 研究 Data Scaling Laws，解决数据扩展中的模型坍塌（Model Collapse）与多样性瓶颈问题，通过课程学习（Curriculum Learning）等多阶段训练策略，显著优化 Token/FLOPs 转化效率。\n\n2. 长上下文 (Long Context) 与高效架构演进\n\n长窗口突破：持续 Scaling Up 模型的 Context Length，优化超长上下文机制。重点提升 LongCat 等基座模型在长文理解、长程推理、创作等任务上的表现。\n\n架构优化： 探索并验证 MoE（混合专家）、稀疏注意力（Sparse Attention）、线性注意力等高效模型结构；结合模型剪枝与稀疏化技术，协同优化训练与推理效率，降低超长上下文场景下的资源开销。\n\n3. 多模态能力融合与 Agent 赋能\n\n模态融合：探索多模态预训练新范式（如 Early Fusion、统一建模），突破模态融合瓶颈。利用多模态扩展定律指导数据与训练方案，提升模型在多语言、多模态交互场景下的原生能力。\n\n复杂场景落地：面向 Agent、具身智能等前沿场景，提升模型的多模态指令遵循与复杂任务规划能力。\n\n4. 下一代训练范式与前沿技术探索\n\n自进化机制： 协同上下游团队，探索持续学习（Continuous Learning）与模型自进化（Self-evolution）机制，研究多模态奖励模型与大规模RL在 Mid-training 阶段的应用。\n\n能力扩展： 研究推理阶段扩展（Test-time Scaling）及全模态链式思维（Omni-modal CoT），推动模型从单纯的“知识记忆”向“深度推理与问题解决”演进。",
"requirements_text": "对大模型开发流程有深入认知，熟悉预训练、指令微调、RL等流程与框架；\n\n对Dense和MoE等模型架构有深入理解并拥有大规模训练经验\n\n具备扎实的算法和数学理论基础及良好的编程基础，熟悉自然语言处理、生成式AI和机器学习等技术，熟悉Python、Java等至少一种编程语言，熟悉PyTorch等深度学习框架，对技术开发及应用有热情；\n\n目标感强，善于分析和发现问题，拆解简化，有想法并乐于挑战自我，能够从日常工作中发现新的空间；\n\n条理性强且有推动力，能够梳理繁杂的工作并建立有效机制，推动上下游配合完成目标。",
"skills": [AI生成
"Python",
"Java",
"PyTorch",
"机器学习",
"深度学习",
"自然语言处理",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "团队扁平，人才密度高，美团“北斗计划”和博士员工比例高，近年团队在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文50余篇，团队员工获EMNLP 2024 Outstanding Paper、ACL 2025 Outstanding Paper，吴文俊人工智能奖科技进步奖、CCF科技成果奖等荣誉激励。\n\n参与大语言模型、多模态大模型核心技术研发，接触全模态融合、超长上下文等前沿技术。\n\n参与探索高效模型架构创新，参与大模型全链路核心技术研发，接触模型设计、分布式训练和推理优化等前沿技术。\n\n充"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3970603311&jobShareType=1"
}
]
},
"posting": {
"posting_id": "3970603311",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3970603311&jobShareType=1"
},
"fulltext": "基座大模型算法研究员 (Mid-training)\n基座大模型算法研究员 (Mid-training)\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：2026-01-08\n\n岗位职责\n1. 大规模高质量数据体系与合成数据建设\n\n数据体系构建： 建设 Trillion 级别的大规模跨模态数据处理与合成链路。负责从数据清洗、去重、质量评分到动态配比建模的全流程优化。\n\n合成方法演进： 深入探索大规模合成数据 (Synthetic Data) 与自蒸馏 (Self-distillation) 技术，针对复杂逻辑推理、代码生成及多模态场景，制定Pre-training与 Mid-training 阶段的合成数据应用策略。\n\n理论探索： 研究 Data Scaling Laws，解决数据扩展中的模型坍塌（Model Collapse）与多样性瓶颈问题，通过课程学习（Curriculum Learning）等多阶段训练策略，显著优化 Token/FLOPs 转化效率。\n\n2. 长上下文 (Long Context) 与高效架构演进\n\n长窗口突破：持续 Scaling Up 模型的 Context Length，优化超长上下文机制。重点提升 LongCat 等基座模型在长文理解、长程推理、创作等任务上的表现。\n\n架构优化： 探索并验证 MoE（混合专家）、稀疏注意力（Sparse Attention）、线性注意力等高效模型结构；结合模型剪枝与稀疏化技术，协同优化训练与推理效率，降低超长上下文场景下的资源开销。\n\n3. 多模态能力融合与 Agent 赋能\n\n模态融合：探索多模态预训练新范式（如 Early Fusion、统一建模），突破模态融合瓶颈。利用多模态扩展定律指导数据与训练方案，提升模型在多语言、多模态交互场景下的原生能力。\n\n复杂场景落地：面向 Agent、具身智能等前沿场景，提升模型的多模态指令遵循与复杂任务规划能力。\n\n4. 下一代训练范式与前沿技术探索\n\n自进化机制： 协同上下游团队，探索持续学习（Continuous Learning）与模型自进化（Self-evolution）机制，研究多模态奖励模型与大规模RL在 Mid-training 阶段的应用。\n\n能力扩展： 研究推理阶段扩展（Test-time Scaling）及全模态链式思维（Omni-modal CoT），推动模型从单纯的“知识记忆”向“深度推理与问题解决”演进。\n\n岗位基本要求\n对大模型开发流程有深入认知，熟悉预训练、指令微调、RL等流程与框架；\n\n对Dense和MoE等模型架构有深入理解并拥有大规模训练经验\n\n具备扎实的算法和数学理论基础及良好的编程基础，熟悉自然语言处理、生成式AI和机器学习等技术，熟悉Python、Java等至少一种编程语言，熟悉PyTorch等深度学习框架，对技术开发及应用有热情；\n\n目标感强，善于分析和发现问题，拆解简化，有想法并乐于挑战自我，能够从日常工作中发现新的空间；\n\n条理性强且有推动力，能够梳理繁杂的工作并建立有效机制，推动上下游配合完成目标。\n\n岗位亮点\n团队扁平，人才密度高，美团“北斗计划”和博士员工比例高，近年团队在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文50余篇，团队员工获EMNLP 2024 Outstanding Paper、ACL 2025 Outstanding Paper，吴文俊人工智能奖科技进步奖、CCF科技成果奖等荣誉激励。\n\n参与大语言模型、多模态大模型核心技术研发，接触全模态融合、超长上下文等前沿技术。\n\n参与探索高效模型架构创新，参与大模型全链路核心技术研发，接触模型设计、分布式训练和推理优化等前沿技术。\n\n充足算力保障，拥有大规模分布式训练环境和丰富数据资源。\n1. 大规模高质量数据体系与合成数据建设\n\n数据体系构建： 建设 Trillion 级别的大规模跨模态数据处理与合成链路。负责从数据清洗、去重、质量评分到动态配比建模的全流程优化。\n\n合成方法演进： 深入探索大规模合成数据 (Synthetic Data) 与自蒸馏 (Self-distillation) 技术，针对复杂逻辑推理、代码生成及多模态场景，制定Pre-training与 Mid-training 阶段的合成数据应用策略。\n\n理论探索： 研究 Data Scaling Laws，解决数据扩展中的模型坍塌（Model Collapse）与多样性瓶颈问题，通过课程学习（Curriculum Learning）等多阶段训练策略，显著优化 Token/FLOPs 转化效率。\n\n2. 长上下文 (Long Context) 与高效架构演进\n\n长窗口突破：持续 Scaling Up 模型的 Context Length，优化超长上下文机制。重点提升 LongCat 等基座模型在长文理解、长程推理、创作等任务上的表现。\n\n架构优化： 探索并验证 MoE（混合专家）、稀疏注意力（Sparse Attention）、线性注意力等高效模型结构；结合模型剪枝与稀疏化技术，协同优化训练与推理效率，降低超长上下文场景下的资源开销。\n\n3. 多模态能力融合与 Agent 赋能\n\n模态融合：探索多模态预训练新范式（如 Early Fusion、统一建模），突破模态融合瓶颈。利用多模态扩展定律指导数据与训练方案，提升模型在多语言、多模态交互场景下的原生能力。\n\n复杂场景落地：面向 Agent、具身智能等前沿场景，提升模型的多模态指令遵循与复杂任务规划能力。\n\n4. 下一代训练范式与前沿技术探索\n\n自进化机制： 协同上下游团队，探索持续学习（Continuous Learning）与模型自进化（Self-evolution）机制，研究多模态奖励模型与大规模RL在 Mid-training 阶段的应用。\n\n能力扩展： 研究推理阶段扩展（Test-time Scaling）及全模态链式思维（Omni-modal CoT），推动模型从单纯的“知识记忆”向“深度推理与问题解决”演进。\n对大模型开发流程有深入认知，熟悉预训练、指令微调、RL等流程与框架；\n\n对Dense和MoE等模型架构有深入理解并拥有大规模训练经验\n\n具备扎实的算法和数学理论基础及良好的编程基础，熟悉自然语言处理、生成式AI和机器学习等技术，熟悉Python、Java等至少一种编程语言，熟悉PyTorch等深度学习框架，对技术开发及应用有热情；\n\n目标感强，善于分析和发现问题，拆解简化，有想法并乐于挑战自我，能够从日常工作中发现新的空间；\n\n条理性强且有推动力，能够梳理繁杂的工作并建立有效机制，推动上下游配合完成目标。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}