{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型应用工程师（LLM微调与私有化部署）",
        "job_level": "高级",AI生成
        "work_category": "全职",AI生成
        "department": "",
        "location": "合肥·包河区·省体育场",
        "work_mode": "现场办公",AI生成
        "job_category": "AI应用软件工程师"AI生成
    },
    "company": {
        "company_name": "合肥意数未来信息科技",
        "company_industry": "咨询",
        "company_size": "20-99人",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 13000,
            "max": 22000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "中文",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "作息：朝九晚六，周末双休 不加班不内卷\n【岗位简介】\n我们计划打造行业专属私有大模型，基于开源基座模型做领域LoRA微调，把公司行业业务数据训练进模型，私有化部署，配套RAG知识库增强。\n招聘LLM应用⼯程师，负责从⾏业数据处理、模型微调、效果评估到私有化上线全链路落地。\n需要掌握⼤模型相关算法原理，具备真实微调项目落地经验。\n【岗位职责】\n1. 负责公司行业私有语料处理：PDF/Word/业务⽂档解析、文本清洗、敏感数据脱敏、构建SFT指令训练数据集，与业务专家配合校验样本专业准确性。\n2. 基于开源基座大模型（DeepSeek/Qwen等），使用QLoRA/LoRA完成领域SFT微调；开展模型效果评估，定位幻觉、回答错误、过拟合、灾难性遗忘等问题，迭代数据集和训练策略。\n3. 模型推理优化：模型量化（AWQ/GPTQ）、vLLM推理部署，封装API接口，完成私有化服务器部署，保障服务稳定和并发访问。\n4. 搭建RAG检索增强系统（文档分块、Embedding、向量库、混合检索+重排），作为微调模型的补充方案，解决实时更新的业务资料查询。\n5.（可选）模型蒸馏：针对训练完成的行业模型做轻量化蒸馏，降低推理算力成本。\n5. 对接内部业务系统，持续收集业务使用中的bad case，定期迭代优化模型。\n【任职要求】\n1. 本科及以上学历，3-5年经验，计算机/人工智能相关，熟练Python，掌握PyTorch基础，熟悉Linux开发环境。\n2. 有独立使用LLaMA‑Factory / Axolotl等框架完成LoRA/QLoRA微调实战经验，能够独立产出LoRA权重文件，理解背后相关算法原理。\n3. 熟悉大模型基础算法与概念：Transformer、SFT、LoRA、QLoRA、Embedding、向量数据库、模型量化、推理加速，理解RAG与微调的适用场景差异。\n4. 具备模型评估能力，能够查看训练loss，识别过拟合、灾难性遗忘等训练常见问题，并给出优化方案。\n5. 有私有化模型部署经验，熟悉vLLM、transformers推理框架；有知识蒸馏经验优先。\n6. 良好沟通能力，能够和公司行业业务专家协作，理解业务知识，共同完成样本校验、模型效果验收。\n 【优先加分项】\n• 垂直行业大模型项目经验（企业行业模型、业务问答助手）\n• 熟悉Milvus / PGVector向量数据库\n• 了解DPO偏好对齐\n• •全栈开发能力，可独立完成前后端简单业务系统开发\n 【福利待遇】\n朝九晚六｜双休不加班，待遇优厚\n团队氛围简单，技术自主发挥空间大\n项目稳定，专注私有大模型落地",
        "skills": [AI生成
            "模型微调与对齐",
            "模型训练与算法优化",
            "RAG与检索增强",
            "编程与代码实现",
            "数据库/缓存/向量库",
            "数据工程与数据管道"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/26ce60f60d2378010nN_2Nq8FVJS.html"
            }
        ]
    },
    "posting": {
        "posting_id": "26ce60f60d2378010nN_2Nq8FVJS",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/26ce60f60d2378010nN_2Nq8FVJS.html"
    },
    "fulltext": "作息：朝九晚六，周末双休 不加班不内卷\n【岗位简介】\n我们计划打造行业专属私有大模型，基于开源基座模型做领域LoRA微调，把公司行业业务数据训练进模型，私有化部署，配套RAG知识库增强。\n招聘LLM应用⼯程师，负责从⾏业数据处理、模型微调、效果评估到私有化上线全链路落地。\n需要掌握⼤模型相关算法原理，具备真实微调项目落地经验。\n【岗位职责】\n1. 负责公司行业私有语料处理：PDF/Word/业务⽂档解析、文本清洗、敏感数据脱敏、构建SFT指令训练数据集，与业务专家配合校验样本专业准确性。\n2. 基于开源基座大模型（DeepSeek/Qwen等），使用QLoRA/LoRA完成领域SFT微调；开展模型效果评估，定位幻觉、回答错误、过拟合、灾难性遗忘等问题，迭代数据集和训练策略。\n3. 模型推理优化：模型量化（AWQ/GPTQ）、vLLM推理部署，封装API接口，完成私有化服务器部署，保障服务稳定和并发访问。\n4. 搭建RAG检索增强系统（文档分块、Embedding、向量库、混合检索+重排），作为微调模型的补充方案，解决实时更新的业务资料查询。\n5.（可选）模型蒸馏：针对训练完成的行业模型做轻量化蒸馏，降低推理算力成本。\n5. 对接内部业务系统，持续收集业务使用中的bad case，定期迭代优化模型。\n【任职要求】\n1. 本科及以上学历，3-5年经验，计算机/人工智能相关，熟练Python，掌握PyTorch基础，熟悉Linux开发环境。\n2. 有独立使用LLaMA‑Factory / Axolotl等框架完成LoRA/QLoRA微调实战经验，能够独立产出LoRA权重文件，理解背后相关算法原理。\n3. 熟悉大模型基础算法与概念：Transformer、SFT、LoRA、QLoRA、Embedding、向量数据库、模型量化、推理加速，理解RAG与微调的适用场景差异。\n4. 具备模型评估能力，能够查看训练loss，识别过拟合、灾难性遗忘等训练常见问题，并给出优化方案。\n5. 有私有化模型部署经验，熟悉vLLM、transformers推理框架；有知识蒸馏经验优先。\n6. 良好沟通能力，能够和公司行业业务专家协作，理解业务知识，共同完成样本校验、模型效果验收。\n 【优先加分项】\n• 垂直行业大模型项目经验（企业行业模型、业务问答助手）\n• 熟悉Milvus / PGVector向量数据库\n• 了解DPO偏好对齐\n• •全栈开发能力，可独立完成前后端简单业务系统开发\n 【福利待遇】\n朝九晚六｜双休不加班，待遇优厚\n团队氛围简单，技术自主发挥空间大\n项目稳定，专注私有大模型落地"
}