{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型算法工程师",
        "job_level": "",AI生成
        "work_category": "",AI生成
        "department": "",
        "location": "宁波",
        "work_mode": "",AI生成
        "job_category": "算法"AI生成
    },
    "company": {
        "company_name": "某知名金属制品上市公司",
        "company_industry": "金属制品",
        "company_size": "1000-9999人",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 30000,
            "max": 50000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "职位描述\n岗位职责\n基座模型研发:负责百亿/干亿级参数大语言模型(LM)或多模态大模型的预训练(Pre-training)、指令微调(SF)与对齐(RLHF/DPO)的算法研发与架构优化。\n训练与并⾏优化:深⼊优化分布式训练框架(如 MegaU1On-LM、DeepSpeed)，突破超⼤规模集群上的算力瓶颈，提升 MfFU(模型浮点运算利用率)与训练稳定性。\n数据⼯程与清洗:设计高效的万亿级Token数据清洗、去重、质量评估及合成数据(Synthetic Data)生成算法，构建高质量模型训练数据集。\n推理与量化加速:针对大模型准理场景，研究并溶地模型星化(NT4/P8)、剪枝、蒸馏及长文本注意力优化(如0FashAttention. MLA/GQA)，降低推理延时与显存开。\n前沿技术追踪:持续迫踪Transformer架构改进、Reasoning/CoT强化、AIAgent底层能力等前沿技术，推进算法创新井转化为核心技术壁垒\n任职要求\n学历与专业背景:计算机科学、人工智能、数学、统计学或相关专业硕士及以上学历，具有扎实的数学与深度学习理论功底。\n核心技术能力:\n精通PyTorch，深入理解 Transformer 架构及各类变体(如Llama、Mistral、Qwen等)的底层实现机制。\n具备大规模分布式训练经验，熟练掌握Tensor Parallelism、Pipeline Parallelism、ZeRO等并行策略与显存优化手段。\n熟悉至少一种模型对齐与强化学习算法(如PPO、DPO、GRPO、KTO等)，有实际落地对齐调优经验\n软实力:具备优秀的问题分析与解决能力，对前沿AI技术保持高度好奇心与敏锐度，具备良好的团队协作能力。\n加分项\n在NeurlPS、ICML、ACL、EMNLP、CVPR等顶级学术会议发表过大模型相关论文者优先。\n拥有千卡/万卡级GPU集群实际预训练(Pre-train)经验或从零参与过开源/自研大模型发布者优先。\n熟悉主流开源大模型社区，对 DeepSeek-R1/OpenAI o1等Reasoning模型的强化学习机制有深入研究或复现经验者优先。\n认证资质\n人力资源服务许可证",
        "skills": [AI生成
            "PyTorch",
            "Transformer",
            "DeepSpeed",
            "Tensor Parallelism",
            "Pipeline Parallelism",
            "ZeRO",
            "PPO",
            "DPO"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/84ba1252a01553ed0nJ83dW7EFJS.html"
            }
        ]
    },
    "posting": {
        "posting_id": "84ba1252a01553ed0nJ83dW7EFJS",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/84ba1252a01553ed0nJ83dW7EFJS.html"
    },
    "fulltext": "职位描述\n岗位职责\n基座模型研发:负责百亿/干亿级参数大语言模型(LM)或多模态大模型的预训练(Pre-training)、指令微调(SF)与对齐(RLHF/DPO)的算法研发与架构优化。\n训练与并⾏优化:深⼊优化分布式训练框架(如 MegaU1On-LM、DeepSpeed)，突破超⼤规模集群上的算力瓶颈，提升 MfFU(模型浮点运算利用率)与训练稳定性。\n数据⼯程与清洗:设计高效的万亿级Token数据清洗、去重、质量评估及合成数据(Synthetic Data)生成算法，构建高质量模型训练数据集。\n推理与量化加速:针对大模型准理场景，研究并溶地模型星化(NT4/P8)、剪枝、蒸馏及长文本注意力优化(如0FashAttention. MLA/GQA)，降低推理延时与显存开。\n前沿技术追踪:持续迫踪Transformer架构改进、Reasoning/CoT强化、AIAgent底层能力等前沿技术，推进算法创新井转化为核心技术壁垒\n任职要求\n学历与专业背景:计算机科学、人工智能、数学、统计学或相关专业硕士及以上学历，具有扎实的数学与深度学习理论功底。\n核心技术能力:\n精通PyTorch，深入理解 Transformer 架构及各类变体(如Llama、Mistral、Qwen等)的底层实现机制。\n具备大规模分布式训练经验，熟练掌握Tensor Parallelism、Pipeline Parallelism、ZeRO等并行策略与显存优化手段。\n熟悉至少一种模型对齐与强化学习算法(如PPO、DPO、GRPO、KTO等)，有实际落地对齐调优经验\n软实力:具备优秀的问题分析与解决能力，对前沿AI技术保持高度好奇心与敏锐度，具备良好的团队协作能力。\n加分项\n在NeurlPS、ICML、ACL、EMNLP、CVPR等顶级学术会议发表过大模型相关论文者优先。\n拥有千卡/万卡级GPU集群实际预训练(Pre-train)经验或从零参与过开源/自研大模型发布者优先。\n熟悉主流开源大模型社区，对 DeepSeek-R1/OpenAI o1等Reasoning模型的强化学习机制有深入研究或复现经验者优先。\n认证资质\n人力资源服务许可证"
}