主分类：大模型与生成式算法研发
辅助：AI训练推理与计算优化（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": "大模型算法专家",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "深圳",
"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": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 面向Agentic OS，参与端侧大模型架构设计、预训练、后训练、端侧部署和推理加速；目标为通过算法与硬件和芯片的协同设计，在较低的功耗和内存预算下，实现模型效果和推理效率的平衡。\n2. 负责LLM和VLM在端侧场景下的继续预训练（CPT）、后训练（SFT, OPD, RL等）及量化感知训练（QAT），构建从数据清洗处理到模型部署落地的全链路pipeline。 \n3. 针对端侧芯片和内存特性，设计新型模型结构，探索参数共享与稀疏化方案。\n4. 负责模型压缩算法开发，如剪枝、量化、蒸馏等常用技术方案实现。 实施低比特量化（如INT4/INT8），在保证精度的前提下压缩模型体积与显存占用。 \n5. 负责推理加速算法实现，如投机解码、MTP等。\n6. 建立端侧模型评测体系，不仅关注准确率，更关注首字延迟（Prefill）、生成速度（Decoding）、功耗峰值等硬性指标。\n7. 前沿技术探索与成果产出，建立Agentic OS的算法创新壁垒，推动顶级会议论文与核心专利产出。",
"requirements_text": "1. 硕士及以上学历，人工智能、计算机科学、电子信息技术等相关专业；\n2. 具备以下至少一到两个方向的深入研究或实践经验：大语言模型、多模态大模型、大模型后训练、大模型预训练、强化学习；\n3. 深入掌握Transformer架构，了解主流dense和MoE开源模型（Qwen, Deepseek等）的结构设计原理；\n4. 具备复杂系统建模能力，能够从系统角度设计完整闭环；\n5. 在 ICML / NeurIPS / ICLR / AAAI / ACL / CVPR / EMNLP 等顶级会议发表论文者优先；\n6. 具备较强的独立研究能力与创新能力。",
"skills": [AI生成
"强化学习",
"结构设计",
"建模",
"大语言模型"
],
"preferred_qualifications": "5. 在 ICML / NeurIPS / ICLR / AAAI / ACL / CVPR / EMNLP 等顶级会议发表论文者优先",
"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/7670130833131358474/detail"
}
]
},
"posting": {
"posting_id": "7670130833131358474",
"post_date": "2026-08-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7670130833131358474/detail"
},
"fulltext": "大模型算法专家\n职位描述\n1. 面向Agentic OS，参与端侧大模型架构设计、预训练、后训练、端侧部署和推理加速；目标为通过算法与硬件和芯片的协同设计，在较低的功耗和内存预算下，实现模型效果和推理效率的平衡。\n2. 负责LLM和VLM在端侧场景下的继续预训练（CPT）、后训练（SFT, OPD, RL等）及量化感知训练（QAT），构建从数据清洗处理到模型部署落地的全链路pipeline。 \n3. 针对端侧芯片和内存特性，设计新型模型结构，探索参数共享与稀疏化方案。\n4. 负责模型压缩算法开发，如剪枝、量化、蒸馏等常用技术方案实现。 实施低比特量化（如INT4/INT8），在保证精度的前提下压缩模型体积与显存占用。 \n5. 负责推理加速算法实现，如投机解码、MTP等。\n6. 建立端侧模型评测体系，不仅关注准确率，更关注首字延迟（Prefill）、生成速度（Decoding）、功耗峰值等硬性指标。\n7. 前沿技术探索与成果产出，建立Agentic OS的算法创新壁垒，推动顶级会议论文与核心专利产出。\n\n职位要求\n1. 硕士及以上学历，人工智能、计算机科学、电子信息技术等相关专业；\n2. 具备以下至少一到两个方向的深入研究或实践经验：大语言模型、多模态大模型、大模型后训练、大模型预训练、强化学习；\n3. 深入掌握Transformer架构，了解主流dense和MoE开源模型（Qwen, Deepseek等）的结构设计原理；\n4. 具备复杂系统建模能力，能够从系统角度设计完整闭环；\n5. 在 ICML / NeurIPS / ICLR / AAAI / ACL / CVPR / EMNLP 等顶级会议发表论文者优先；\n6. 具备较强的独立研究能力与创新能力。\n1. 面向Agentic OS，参与端侧大模型架构设计、预训练、后训练、端侧部署和推理加速；目标为通过算法与硬件和芯片的协同设计，在较低的功耗和内存预算下，实现模型效果和推理效率的平衡。\n2. 负责LLM和VLM在端侧场景下的继续预训练（CPT）、后训练（SFT, OPD, RL等）及量化感知训练（QAT），构建从数据清洗处理到模型部署落地的全链路pipeline。 \n3. 针对端侧芯片和内存特性，设计新型模型结构，探索参数共享与稀疏化方案。\n4. 负责模型压缩算法开发，如剪枝、量化、蒸馏等常用技术方案实现。 实施低比特量化（如INT4/INT8），在保证精度的前提下压缩模型体积与显存占用。 \n5. 负责推理加速算法实现，如投机解码、MTP等。\n6. 建立端侧模型评测体系，不仅关注准确率，更关注首字延迟（Prefill）、生成速度（Decoding）、功耗峰值等硬性指标。\n7. 前沿技术探索与成果产出，建立Agentic OS的算法创新壁垒，推动顶级会议论文与核心专利产出。\n1. 硕士及以上学历，人工智能、计算机科学、电子信息技术等相关专业；\n2. 具备以下至少一到两个方向的深入研究或实践经验：大语言模型、多模态大模型、大模型后训练、大模型预训练、强化学习；\n3. 深入掌握Transformer架构，了解主流dense和MoE开源模型（Qwen, Deepseek等）的结构设计原理；\n4. 具备复杂系统建模能力，能够从系统角度设计完整闭环；\n5. 在 ICML / NeurIPS / ICLR / AAAI / ACL / CVPR / EMNLP 等顶级会议发表论文者优先；\n6. 具备较强的独立研究能力与创新能力。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}