____

工作内容

负责大模型核心算法研究，探索 dLLM、离散扩散、Masked Diffusion、Flow Matching、非自回归生成、自回归 LLM 等生成建模与语言建模方向。
跟踪、复现并改进大模型、生成式建模、NLP 等方向的前沿论文与开源项目，推动有价值的研究方向完成内部验证、改进与技术沉淀。
参与预训练、继续预训练、后训练、偏好对齐、数据合成、模型评测、推理优化等关键算法实验，围绕模型能力、训练稳定性和实验效率持续迭代。
建设面向研究的高质量数据与评测体系，覆盖数据质量分析、数据配比、合成数据、难例构造，以及语言建模、推理、代码、长上下文、多轮对话等能力评估。
精通 H100 / B200 等高性能算力环境下的大模型训练与推理实验，能够高效使用 32 × H100 或 16 × B200 级别算力，优化训练吞吐、显存使用、通信效率、推理延迟和实验稳定性。
在高复杂度研究项目中承担关键技术攻坚、研究假设设计、实验规划、结果分析和技术交付，并与团队共同沉淀研究方法、实验规范和技术资产。

职位要求

在大模型、生成式建模、NLP、深度学习、序列建模、强化学习或推理优化等方向中，至少具备一个核心方向的深入研究经验，能够独立理解和分析复杂算法问题。
熟悉大模型训练或后训练的关键流程，在预训练、继续预训练、SFT、DPO、RLHF / RLAIF、Reward Model、蒸馏、数据合成、模型评测等方向中，至少有部分实际研究或实验经验。
具备较强的用卡能力，有 H100 / B200 等高性能算力环境下的大模型训练或推理实验经验；如具备 32 × H100 或 16 × B200 级别集群使用经验优先。
熟悉主流大模型训练或推理框架，如 PyTorch、Transformers、DeepSpeed、Megatron、FSDP、vLLM、TensorRT-LLM、Ray、Slurm、Kubernetes 等，至少能熟练使用其中部分工具完成模型实验、训练调优或推理验证。
具备复杂研究问题的拆解与实验设计能力，能够从问题定义、研究假设、实验方案、资源规划到结果分析完成高质量闭环。
具备优秀的论文阅读、技术判断和实验验证能力，能够识别前沿研究的价值、适用边界和潜在风险。
具备强自驱、强好奇心和高质量研究交付意识，能够在高不确定性探索任务中持续推进并产出有效结果。
特别优秀者可不受单一条件限制，薪资、职级和合作方式可单独沟通。

在大模型核心算法或新型生成范式方向有突出经验，例如 dLLM、离散扩散、Masked Diffusion、Flow Matching、非自回归生成、预训练、后训练、RLHF / DPO、模型蒸馏、数据合成、长上下文、复杂推理、模型评测或推理优化等。
有大规模 GPU 集群训练经验，熟悉 H100 / B200 环境下的训练稳定性、显存优化、通信优化、吞吐优化或推理部署。
有从 0 到 1 搭建训练流程、评测体系、数据体系、模型服务或算法平台中的任一经验，能够推动研究验证到工程落地。
有高影响力开源项目、模型发布、技术报告、顶会论文、工业级模型训练经验、复杂算法项目落地经验、竞赛获奖或行业影响力。