主要职责:
1.参与大模型的预训练和后训练工作,运用包括 SFT、Instruction Tuning 等方法。
2.构建混合微调范式,如基础指令微调(SFT)、领域偏好学习(DPO)、多目标强化学习(PPO)。
3.负责 RAG 架构的设计与实现,优化检索系统和生成模型,设计多模态检索增强的混合索引策略和复杂推理链路。
4.研究大模型与知识图谱的动态交互机制,设计并实现融合 MoE 专家系统、RAG 增强检索与强化学习的混合架构系统。
5.参与构建支持百亿参数实时推理的工程化框架。
职位要求:
1.教育背景:计算机科学、人工智能、数据科学或相关领域的本科及以上学历。
2.技术能力:
2.1熟悉大模型的预训练和后训练方法,包括 SFT、Instruction Tuning 等。
2.2精通 RAG 架构的设计与实现,具备检索系统和生成模型的优化经验。
2.3熟悉主流大模型框架(如 Transformer、BERT 等)和深度学习工具(如 TensorFlow、PyTorch 等)。
2.4具备良好的编程能力,熟练使用 Python、SQL 等编程语言。
2.5能够设计混合架构系统,融合 MoE 专家系统、RAG 增强检索与强化学习,构建支持百亿参数实时推理的工程化框架。
3.加分项:
3.1有大模型相关项目经验,尤其是在 RAG 架构搭建、检索系统优化或生成模型调优方面有实际经验。
3.2有汽车行业或相关领域的大模型应用经验者,掌握稀疏激活、动态路由技术,有千亿参数模型分布式训练经验。
3.3创新参数高效训练方法,研发适配专业场景的 Dynamic LoRA 算法,基于 vLLM 的推理加速引擎,结合 PageAttention 内存管理技术。
3.4精通 RLHF 全流程实现,具备多目标奖励模型设计与课程学习策略开发能力。
3.5熟悉 vLLM/TensorRT-LLM 等框架,掌握 CUDA 内核优化与显存管理技术。
3.6具备大模型服务化(如 Triton 推理服务器)与边缘端部署(Jetson 平台)经验。