腾讯云—构建企业级MaaS后训练平台的技术研究

课题背景： 随着大模型从通用能力走向行业落地，企业级MaaS平台需要为客户提供模型后训练（微调、对齐）服务，使通用模型适配金融、医疗、制造等垂直场景。然而，企业客户在算力成本、训练可控性等方面面临重重障碍，大量AI项目停留在验证阶段，难以规模化投产。如何构建高效、安全、易用的后训练服务体系，成为MaaS平台能否真正赋能产业的关键命题。 课题挑战： 一是成本与效率矛盾：后训练需要大量算力，中小企业难以承担，同时异构算力的调度与利用率优化是技术难点。二是效果可控性不足：微调后模型在垂直场景的精准性与通用能力的保持之间难以平衡，且缺乏统一的效果评估标准，客户对训练过程的透明度和可解释性要求日益提高。三是工程化挑战：多租户环境下的训练隔离、模型版本管理、持续迭代更新以及灰度发布等生产级能力尚不成熟，制约了后训练服务的规模化交付。 具体工作： 参与后训练流水线的设计与开发，包括微调策略实验与效果评测、训练任务调度优化，以及面向客户的低代码微调产品功能迭代。

1. 01

   自然语言处理/机器学习/模式识别/人工智能/计算机等相关专业硕士以上学历；

2. 02

   了解 LLM 训练全流程：预训练，SFT，RLHF/DPO；熟悉主流训练框架；

3. 03

   了解分布式训练基本概念（数据并行、模型并行、Pipeline 并行、ZeRO）；

4. 04

   对 Prompt Engineering、RAG、Agent、Function Calling 等应用技术有基本认知’

5. 05

   关注 AI 行业动态，熟悉主流开源模型（LLaMA、Qwen、DeepSeek 等）；

6. 06

   有高质量论文发表者优先（如ACL、EMNLP、NeurIPS、ICML、ICLR等)。