{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型算法研究员-MiMo",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京",
        "work_mode": "未披露",AI生成
        "job_category": "算法研发"AI生成
    },
    "company": {
        "company_name": "小米集团",
        "company_industry": "消费电子 / 智能制造 / 物联网",
        "company_size": "10000人以上",
        "company_website": "xiaomi.com",
        "company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
    },
    "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. 创新深度神经网络设计：\n  - 开发新颖、开拓性的深度神经网络架构，推动深度学习领域的基础研究。\n  - 针对多模态（文本、图像、语音等）设计优化模型，提高模型的泛化能力和应用性能。\n2. 科学评测体系构建：\n  - 构建科学严谨的算法评测方法，系统评估模型的性能。\n  - 探索模型能力的潜在机制，推动模型优化和创新。。\n3. 高质量数据合成与处理：\n  - 通过数据生成、扩充和重写等方法，创建大规模、高质量的训练数据集。\n  - 结合指令调优、偏好对齐等技术提升数据质量与模型表现。\n4. 强化学习优化：\n  - 研究并实施基于RLHF/RLAIF的偏好对齐技术，提升模型在多领域的应用能力。\n  - 探索和优化主动学习、课程学习等有效的大模型训练方法。",
        "requirements_text": "1. 学术能力：\n  - 精通深度学习、强化学习（RL）、自然语言处理（NLP）等领域，具备创新研究能力。\n  - 在相关领域的国际顶会或期刊发表高质量论文（如 NeurIPS、ICML、CVPR、ICLR、ACL 等）。\n  - 在领域内知名比赛（NOI、IOI、IPhO、ACM、Kaggle 等）中取得优异成绩者优先。\n2. 编程能力：\n  - 熟练掌握 Python、C++ 或其他编程语言，具备扎实的数据结构与算法基础。\n  - 熟悉主流深度学习框架（如 PyTorch、TensorFlow），能够高效实现复杂模型。\n3. 实战经验：\n  - 有大型模型训练及优化经验者优先，熟悉 LLM（大语言模型）训练和应用全流程。\n  - 有影响力的项目经验或相关实习经历者优先。\n4. 团队合作与沟通能力：\n  - 具备优秀的团队协作和沟通能力，能够推动团队共同解决复杂技术问题。\n加分项\n- 熟悉大型模型训练技术，包括预训练、SFT（监督微调）、RLHF&O1（基于人类反馈的强化学习）。\n- 在多模态建模（如图像-文本、语音-文本对齐）领域有相关研究经验。\n- 对 LLM 的推理和规划有深入",
        "skills": [AI生成
            "Python",
            "C++",
            "PyTorch",
            "TensorFlow",
            "深度学习",
            "强化学习",
            "自然语言处理",
            "数据结构",
            "模型训练",
            "团队协作",
            "沟通能力",
            "建模",
            "大语言模型"
        ],
        "preferred_qualifications": "在领域内知名比赛（NOI、IOI、IPhO、ACM、Kaggle 等）中取得优异成绩者优先；有大型模型训练及优化经验者优先，熟悉 LLM（大语言模型）训练和应用全流程；有影响力的项目经验或相关实习经历者优先；加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7446242118560399468/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7446242118560399468",
        "post_date": "2024-12-09",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7446242118560399468/detail"
    },
    "fulltext": "大模型算法研究员-MiMo\n职位描述\n1. 创新深度神经网络设计：\n  - 开发新颖、开拓性的深度神经网络架构，推动深度学习领域的基础研究。\n  - 针对多模态（文本、图像、语音等）设计优化模型，提高模型的泛化能力和应用性能。\n2. 科学评测体系构建：\n  - 构建科学严谨的算法评测方法，系统评估模型的性能。\n  - 探索模型能力的潜在机制，推动模型优化和创新。。\n3. 高质量数据合成与处理：\n  - 通过数据生成、扩充和重写等方法，创建大规模、高质量的训练数据集。\n  - 结合指令调优、偏好对齐等技术提升数据质量与模型表现。\n4. 强化学习优化：\n  - 研究并实施基于RLHF/RLAIF的偏好对齐技术，提升模型在多领域的应用能力。\n  - 探索和优化主动学习、课程学习等有效的大模型训练方法。\n\n职位要求\n1. 学术能力：\n  - 精通深度学习、强化学习（RL）、自然语言处理（NLP）等领域，具备创新研究能力。\n  - 在相关领域的国际顶会或期刊发表高质量论文（如 NeurIPS、ICML、CVPR、ICLR、ACL 等）。\n  - 在领域内知名比赛（NOI、IOI、IPhO、ACM、Kaggle 等）中取得优异成绩者优先。\n2. 编程能力：\n  - 熟练掌握 Python、C++ 或其他编程语言，具备扎实的数据结构与算法基础。\n  - 熟悉主流深度学习框架（如 PyTorch、TensorFlow），能够高效实现复杂模型。\n3. 实战经验：\n  - 有大型模型训练及优化经验者优先，熟悉 LLM（大语言模型）训练和应用全流程。\n  - 有影响力的项目经验或相关实习经历者优先。\n4. 团队合作与沟通能力：\n  - 具备优秀的团队协作和沟通能力，能够推动团队共同解决复杂技术问题。\n加分项\n- 熟悉大型模型训练技术，包括预训练、SFT（监督微调）、RLHF&O1（基于人类反馈的强化学习）。\n- 在多模态建模（如图像-文本、语音-文本对齐）领域有相关研究经验。\n- 对 LLM 的推理和规划有深入\n1. 创新深度神经网络设计：\n  - 开发新颖、开拓性的深度神经网络架构，推动深度学习领域的基础研究。\n  - 针对多模态（文本、图像、语音等）设计优化模型，提高模型的泛化能力和应用性能。\n2. 科学评测体系构建：\n  - 构建科学严谨的算法评测方法，系统评估模型的性能。\n  - 探索模型能力的潜在机制，推动模型优化和创新。。\n3. 高质量数据合成与处理：\n  - 通过数据生成、扩充和重写等方法，创建大规模、高质量的训练数据集。\n  - 结合指令调优、偏好对齐等技术提升数据质量与模型表现。\n4. 强化学习优化：\n  - 研究并实施基于RLHF/RLAIF的偏好对齐技术，提升模型在多领域的应用能力。\n  - 探索和优化主动学习、课程学习等有效的大模型训练方法。\n1. 学术能力：\n  - 精通深度学习、强化学习（RL）、自然语言处理（NLP）等领域，具备创新研究能力。\n  - 在相关领域的国际顶会或期刊发表高质量论文（如 NeurIPS、ICML、CVPR、ICLR、ACL 等）。\n  - 在领域内知名比赛（NOI、IOI、IPhO、ACM、Kaggle 等）中取得优异成绩者优先。\n2. 编程能力：\n  - 熟练掌握 Python、C++ 或其他编程语言，具备扎实的数据结构与算法基础。\n  - 熟悉主流深度学习框架（如 PyTorch、TensorFlow），能够高效实现复杂模型。\n3. 实战经验：\n  - 有大型模型训练及优化经验者优先，熟悉 LLM（大语言模型）训练和应用全流程。\n  - 有影响力的项目经验或相关实习经历者优先。\n4. 团队合作与沟通能力：\n  - 具备优秀的团队协作和沟通能力，能够推动团队共同解决复杂技术问题。\n加分项\n- 熟悉大型模型训练技术，包括预训练、SFT（监督微调）、RLHF&O1（基于人类反馈的强化学习）。\n- 在多模态建模（如图像-文本、语音-文本对齐）领域有相关研究经验。\n- 对 LLM 的推理和规划有深入",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}