JD数据
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "AI算法工程师",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "",
"location": "香港",
"work_mode": "现场办公",AI生成
"job_category": "AI模型算法工程师"AI生成
},
"company": {
"company_name": "泓盛网络科技",
"company_industry": "互联网金融",
"company_size": "500-999人",
"company_website": "",
"company_description": ""
},
"compensation": {
"salary_range": {
"min": 35000,
"max": 60000,
"currency": "CNY",
"cycle": "month"
},
"benefits": ""
},
"requirements": {
"working_years": 3,
"degree": "硕士",
"language": "中英双语",AI生成
"visa_support": "",
"responsibilities": "",
"requirements_text": "岗位职责\n开源架构预训练与优化：基于 Megatron-LM、DeepSpeed 等主流开源分布式训练框架，负责百亿/千亿参数规模大语言模型（LLM）及多模态/交互大模型（如 Vision-Language 模型）的高效、稳定预训练。\n后训练（Post-Training）技术落地：深⼊研究并应⽤ SFT（监督微调）、RLHF/RLAIF、Agentic RL 及奖励模型（Reward Model）等开源对齐⽅案，提升模型在复杂推理、可信对话及行业场景落地的效果。\n分布式训练性能调优：负责 GPU 集群上的大模型分布式训练性能优化，解决训练过程中的通信瓶颈、显存溢出及负载不均衡问题；通过数据并⾏、张量并行、流水线并行等策略及低精度训练（FP8/BF16）等手段，最大化集群训练吞吐量与资源利用率；监控训练全过程，及时处理 Loss 异常、梯度爆炸等故障，保障训练任务稳定推进。\n从 0 到 1 搭建训练全流程：搭建完整的大模型训练流程与工程体系，包括训练数据的清洗、去重、质量过滤与配比优化，构建数据准备、模型训练、评测到轻量化部署的全链路闭环机制；参与构建模型评测体系（自动化 Benchmark 与人工评估相结合），根据评测结果反向调整数据配比、训练策略与超参数，持续推动模型能力迭代。\n任职要求\n学历与经验：计算机、人工智能等相关专业硕士及以上学历，3 年以上深度学习领域经验，至少 2 年以上大模型（LLM）预训练或大规模后训练实战经验。\n主流大模型算法功底：熟悉当前主流大模型算法与架构设计，深入理解 Transformer、MoE（混合专家）等核心架构及注意力机制、位置编码等关键组件的原理与实现，对 Llama、DeepSeek、Qwen 等主流开源模型的技术细节有深入了解。\n开源框架功底：熟练掌握 PyTorch，深度精通至少一种主流开源大模型训练框架（如 Megatron-LM、DeepSpeed、Colossal-AI 等）的底层源码与并行实现机制；熟悉 veRL、OpenRLHF、TRL、LLaMA-Factory 等至少一种后训练框架者优先。\n集群实战能力：具备多节点、多 GPU（如 Nvidia A100/H100/H800 等）分布式训练故障排查、性能剖析（Profiling）与吞吐量加速能力；熟悉 NCCL 集合通信、RDMA 网络或 CUDA 算子级优化者优先。\n前沿视野与综合素质：紧跟全球开源社区（如 HuggingFace、DeepSeek、Llama 等）前沿进展，对长上下文建模、动态分层蒸馏、强化学习对齐等有深入理解；具备良好的实验习惯与问题定位能力，对数据质量和超参数敏感，能通过 Badcase 分析定位问题；具备良好的团队协作与沟通能力，有较强的自驱力和技术热情。\n加分项\n参与过知名大模型（如 Llama、DeepSeek、Qwen 等）核心训练环节者优先；\n在顶级开源项目（GitHub 知名 AI 仓库）有重要贡献；\n在 ACL、EMNLP、NeurIPS、ICML、ICLR 等 AI 顶会发表过相关论文。",
"skills": [AI生成
"模型训练与算法优化",
"编程与代码实现",
"技术可行性与系统架构",
"数据工程与数据管道",
"模型微调与对齐",
"调试排障与技术支持"
],
"preferred_qualifications": "",
"job_highlights": ""
},
"contact": {
"recruiter_name": "",
"contact_methods": [
{
"type": "apply_link",
"value": "https://www.zhipin.com/job_detail/b986b2f505a420250nN93969EFtU.html"
}
]
},
"posting": {
"posting_id": "b986b2f505a420250nN93969EFtU",
"post_date": "",
"hire_time": "",
"update_date": "",
"job_url": "https://www.zhipin.com/job_detail/b986b2f505a420250nN93969EFtU.html"
},
"fulltext": "岗位职责\n开源架构预训练与优化：基于 Megatron-LM、DeepSpeed 等主流开源分布式训练框架，负责百亿/千亿参数规模大语言模型（LLM）及多模态/交互大模型（如 Vision-Language 模型）的高效、稳定预训练。\n后训练（Post-Training）技术落地：深⼊研究并应⽤ SFT（监督微调）、RLHF/RLAIF、Agentic RL 及奖励模型（Reward Model）等开源对齐⽅案，提升模型在复杂推理、可信对话及行业场景落地的效果。\n分布式训练性能调优：负责 GPU 集群上的大模型分布式训练性能优化，解决训练过程中的通信瓶颈、显存溢出及负载不均衡问题；通过数据并⾏、张量并行、流水线并行等策略及低精度训练（FP8/BF16）等手段，最大化集群训练吞吐量与资源利用率；监控训练全过程，及时处理 Loss 异常、梯度爆炸等故障，保障训练任务稳定推进。\n从 0 到 1 搭建训练全流程：搭建完整的大模型训练流程与工程体系，包括训练数据的清洗、去重、质量过滤与配比优化，构建数据准备、模型训练、评测到轻量化部署的全链路闭环机制；参与构建模型评测体系（自动化 Benchmark 与人工评估相结合），根据评测结果反向调整数据配比、训练策略与超参数，持续推动模型能力迭代。\n任职要求\n学历与经验：计算机、人工智能等相关专业硕士及以上学历，3 年以上深度学习领域经验，至少 2 年以上大模型（LLM）预训练或大规模后训练实战经验。\n主流大模型算法功底：熟悉当前主流大模型算法与架构设计，深入理解 Transformer、MoE（混合专家）等核心架构及注意力机制、位置编码等关键组件的原理与实现，对 Llama、DeepSeek、Qwen 等主流开源模型的技术细节有深入了解。\n开源框架功底：熟练掌握 PyTorch，深度精通至少一种主流开源大模型训练框架（如 Megatron-LM、DeepSpeed、Colossal-AI 等）的底层源码与并行实现机制；熟悉 veRL、OpenRLHF、TRL、LLaMA-Factory 等至少一种后训练框架者优先。\n集群实战能力：具备多节点、多 GPU（如 Nvidia A100/H100/H800 等）分布式训练故障排查、性能剖析（Profiling）与吞吐量加速能力；熟悉 NCCL 集合通信、RDMA 网络或 CUDA 算子级优化者优先。\n前沿视野与综合素质：紧跟全球开源社区（如 HuggingFace、DeepSeek、Llama 等）前沿进展，对长上下文建模、动态分层蒸馏、强化学习对齐等有深入理解；具备良好的实验习惯与问题定位能力，对数据质量和超参数敏感，能通过 Badcase 分析定位问题；具备良好的团队协作与沟通能力，有较强的自驱力和技术热情。\n加分项\n参与过知名大模型（如 Llama、DeepSeek、Qwen 等）核心训练环节者优先；\n在顶级开源项目（GitHub 知名 AI 仓库）有重要贡献；\n在 ACL、EMNLP、NeurIPS、ICML、ICLR 等 AI 顶会发表过相关论文。"
}