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": "【LongCat大模型人才校招】基础模型 - 预训练",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"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.探索下一代大模型训练范式，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设计更高效的模型结构，提高给定数据量、计算量、硬件资源、序列长度等约束下的模型能力和潜力，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。\n3.探索更前沿的训练范式（如diffusion LLM，test-time scaling等具有潜力的技术），发现更高效和稳定的scaling路径。\n4.研究模型结构和数据的耦合关系，优化分阶段训练范式。\n5.研究模型早期表现和能力上限之间的关系。\n6.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.熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验。\n2.熟悉主流大模型技术熟悉PyTorch、 Megatron、DeepSpeed 、vLLM、SGLang等主流开源训练和推理框架。\n加分项：\n1.有影响力的开源项目中做出过核心贡献。\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。",
"skills": [AI生成
"PyTorch",
"大语言模型"
],
"preferred_qualifications": "加分项：；2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4530553724&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4530553724",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4530553724&jobShareType=1"
},
"fulltext": "【LongCat大模型人才校招】基础模型 - 预训练\n【LongCat大模型人才校招】基础模型 - 预训练\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-06-03\n\n岗位职责\n1.探索下一代大模型训练范式，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设计更高效的模型结构，提高给定数据量、计算量、硬件资源、序列长度等约束下的模型能力和潜力，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。\n3.探索更前沿的训练范式（如diffusion LLM，test-time scaling等具有潜力的技术），发现更高效和稳定的scaling路径。\n4.研究模型结构和数据的耦合关系，优化分阶段训练范式。\n5.研究模型早期表现和能力上限之间的关系。\n6.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.熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验。\n2.熟悉主流大模型技术熟悉PyTorch、 Megatron、DeepSpeed 、vLLM、SGLang等主流开源训练和推理框架。\n加分项：\n1.有影响力的开源项目中做出过核心贡献。\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。\n1.探索下一代大模型训练范式，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设计更高效的模型结构，提高给定数据量、计算量、硬件资源、序列长度等约束下的模型能力和潜力，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。\n3.探索更前沿的训练范式（如diffusion LLM，test-time scaling等具有潜力的技术），发现更高效和稳定的scaling路径。\n4.研究模型结构和数据的耦合关系，优化分阶段训练范式。\n5.研究模型早期表现和能力上限之间的关系。\n6.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.熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验。\n2.熟悉主流大模型技术熟悉PyTorch、 Megatron、DeepSpeed 、vLLM、SGLang等主流开源训练和推理框架。\n加分项：\n1.有影响力的开源项目中做出过核心贡献。\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}