主分类：AI训练推理与计算优化
辅助：数据工程与数据平台研发（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": "代码智能体大模型架构实习生（J101404）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "ACG",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "-在读硕士/博士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-参与 Coding Agent 沙盒训练环境建设，协助支持 coding task 在隔离、稳定、可复现的环境中运行\n-多 Harness 大规模轨迹合成：围绕 open-coder、claude code、openclaw 等不同 harness 构建跨 harness 的轨迹合成体系，探索 harness 泛化，让模型学到通用的编码-执行-修复能力而非绑死单一框架\n-轨迹改写、清洗、过滤：将不同来源、不同 harness 格式的轨迹统一改写规整，做大规模去重、质量打分与噪声过滤，处理多分片 JSONL 级数据，产出高信噪比训练集\n-参与 Coding Agent 后训练基础设施建设，协助支持 SFT、OPD、RL 等训练和评测流程\n-基于 Slime、Megatron-LM、verl、DeepSpeed、FSDP、Transformers 等框架进行训练流程适配、调试和问题排查\n-参与基于 SGLang / vLLM 的推理服务建设，支持 rollout、teacher inference、批量评测等场景\n-训练与推理性能分析，包括显存占用、吞吐、延迟、batching、KV cache、长上下文推理等方向",
"requirements_text": "-在读硕士/博士，能保证每周 4 天以上、持续 6 个月以上的实习投入\n-了解 Kubernetes、容器、GPU 任务运行或分布式训练相关概念者优先\n-了解大模型基本结构和训练流程，如 Transformer、Attention、dataset、loss、optimizer、checkpoint、evaluation 等\n-了解至少一种大模型训练或推理框架，如 Transformers、DeepSpeed、FSDP、Megatron-LM、verl、vLLM、SGLang 等\n-对 Coding Agent、后训练、推理服务、训练基础设施或 GPU 性能优化方向有兴趣，愿意深入学习\n-加分项\n-有 LLM 后训练（SFT/DPO/GRPO/蒸馏）或 agent 训练的实战经历\n-熟悉 code agent harness（如 open-coder、OpenHands / Claude Code 类框架），做过轨迹合成或改写清洗\n-参与过大规模分布式训练调优，或主流推理引擎（SGLang/vLLM）的性能优化\n-有 CUDA / 算子 / 通信优化、量化、并行策略相关经验\n-有代码智能体 / agentic 评测、reward modeling、可验证反馈相关经验\n-有开源贡献、竞赛、或能展示深度的个人项目",
"skills": [AI生成
"Kubernetes",
"CUDA",
"模型训练",
"性能优化",
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "了解 Kubernetes、容器、GPU 任务运行或分布式训练相关概念者优先；加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/INTERN/397771ff-709c-42f5-9fd7-2e4112e0768d"
}
]
},
"posting": {
"posting_id": "397771ff-709c-42f5-9fd7-2e4112e0768d",
"post_date": "2026-07-08",
"hire_time": "在读硕士/博士，能保证每周 4 天以上、持续 6 个月以上的实习投入",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/INTERN/397771ff-709c-42f5-9fd7-2e4112e0768d"
},
"fulltext": "代码智能体大模型架构实习生（J101404）\n代码智能体大模型架构实习生（J101404）\n\n基础信息\n部门：ACG\n地点：北京市\n项目：日常实习项目\n类别：技术\n招聘人数：2\n发布时间：2026-07-21\n\n工作职责\n-参与 Coding Agent 沙盒训练环境建设，协助支持 coding task 在隔离、稳定、可复现的环境中运行\n-多 Harness 大规模轨迹合成：围绕 open-coder、claude code、openclaw 等不同 harness 构建跨 harness 的轨迹合成体系，探索 harness 泛化，让模型学到通用的编码-执行-修复能力而非绑死单一框架\n-轨迹改写、清洗、过滤：将不同来源、不同 harness 格式的轨迹统一改写规整，做大规模去重、质量打分与噪声过滤，处理多分片 JSONL 级数据，产出高信噪比训练集\n-参与 Coding Agent 后训练基础设施建设，协助支持 SFT、OPD、RL 等训练和评测流程\n-基于 Slime、Megatron-LM、verl、DeepSpeed、FSDP、Transformers 等框架进行训练流程适配、调试和问题排查\n-参与基于 SGLang / vLLM 的推理服务建设，支持 rollout、teacher inference、批量评测等场景\n-训练与推理性能分析，包括显存占用、吞吐、延迟、batching、KV cache、长上下文推理等方向\n\n职责要求\n-在读硕士/博士，能保证每周 4 天以上、持续 6 个月以上的实习投入\n-了解 Kubernetes、容器、GPU 任务运行或分布式训练相关概念者优先\n-了解大模型基本结构和训练流程，如 Transformer、Attention、dataset、loss、optimizer、checkpoint、evaluation 等\n-了解至少一种大模型训练或推理框架，如 Transformers、DeepSpeed、FSDP、Megatron-LM、verl、vLLM、SGLang 等\n-对 Coding Agent、后训练、推理服务、训练基础设施或 GPU 性能优化方向有兴趣，愿意深入学习\n-加分项\n-有 LLM 后训练（SFT/DPO/GRPO/蒸馏）或 agent 训练的实战经历\n-熟悉 code agent harness（如 open-coder、OpenHands / Claude Code 类框架），做过轨迹合成或改写清洗\n-参与过大规模分布式训练调优，或主流推理引擎（SGLang/vLLM）的性能优化\n-有 CUDA / 算子 / 通信优化、量化、并行策略相关经验\n-有代码智能体 / agentic 评测、reward modeling、可验证反馈相关经验\n-有开源贡献、竞赛、或能展示深度的个人项目\n-参与 Coding Agent 沙盒训练环境建设，协助支持 coding task 在隔离、稳定、可复现的环境中运行\n-多 Harness 大规模轨迹合成：围绕 open-coder、claude code、openclaw 等不同 harness 构建跨 harness 的轨迹合成体系，探索 harness 泛化，让模型学到通用的编码-执行-修复能力而非绑死单一框架\n-轨迹改写、清洗、过滤：将不同来源、不同 harness 格式的轨迹统一改写规整，做大规模去重、质量打分与噪声过滤，处理多分片 JSONL 级数据，产出高信噪比训练集\n-参与 Coding Agent 后训练基础设施建设，协助支持 SFT、OPD、RL 等训练和评测流程\n-基于 Slime、Megatron-LM、verl、DeepSpeed、FSDP、Transformers 等框架进行训练流程适配、调试和问题排查\n-参与基于 SGLang / vLLM 的推理服务建设，支持 rollout、teacher inference、批量评测等场景\n-训练与推理性能分析，包括显存占用、吞吐、延迟、batching、KV cache、长上下文推理等方向\n-在读硕士/博士，能保证每周 4 天以上、持续 6 个月以上的实习投入\n-了解 Kubernetes、容器、GPU 任务运行或分布式训练相关概念者优先\n-了解大模型基本结构和训练流程，如 Transformer、Attention、dataset、loss、optimizer、checkpoint、evaluation 等\n-了解至少一种大模型训练或推理框架，如 Transformers、DeepSpeed、FSDP、Megatron-LM、verl、vLLM、SGLang 等\n-对 Coding Agent、后训练、推理服务、训练基础设施或 GPU 性能优化方向有兴趣，愿意深入学习\n-加分项\n-有 LLM 后训练（SFT/DPO/GRPO/蒸馏）或 agent 训练的实战经历\n-熟悉 code agent harness（如 open-coder、OpenHands / Claude Code 类框架），做过轨迹合成或改写清洗\n-参与过大规模分布式训练调优，或主流推理引擎（SGLang/vLLM）的性能优化\n-有 CUDA / 算子 / 通信优化、量化、并行策略相关经验\n-有代码智能体 / agentic 评测、reward modeling、可验证反馈相关经验\n-有开源贡献、竞赛、或能展示深度的个人项目",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T016"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}