端到端算法工程师（大规模训练与增量学习方向）

1. 01

   大规模训练策略设计： 研究并设计适用于海量数据的高效训练方法论，包括但不限于梯度裁剪&累积，学习率&bs动态调整，数据配比（Data Mixing）的最优方案，在保证模型收敛质量的前提下显著提升训练效率。

2. 02

   增量式训练算法研究与创新： 专注于增量式训练与持续学习（Continual Learning） 的算法设计，深入研究：

3. 03

   模型结构动态扩展（Model Growth）：设计对Transformer架构的智能扩增算子，以及函数行为一致性。

4. 04

   知识巩固与抗遗忘机制：设计新型的正则化约束、经验回放策略或参数隔离方法，解决灾难性遗忘问题。

5. 05

   Machine Unlearning：设计高效训练策略解决对特定数据的精准遗忘问题。

6. 06

   训练数据策略优化：研究不同阶段（预训练、新车型拓展、后训练对齐）的数据分布变化对模型性能的影响，提出最优的数据调度策略。

1. 01

   学历背景： 计算机科学、人工智能、数学、统计学或相关专业博士，或硕士具有2年以上相关领域研究经验。

2. 02

   技术能力： · 熟悉各类优化器（AdamW、Lion、Shampoo等）的行为特性及超参数敏感性；

• 对增量学习、持续学习、元学习或在线学习领域有系统性研究；

• 研究能力： 具备扎实的数学功底（凸优化、概率统计、线性代数），能够独立完成算法推导、复杂度分析及收敛性论证；具备敏锐的实验设计能力，能从实验现象中抽象出可泛化的算法规律。

• 工程实现能力： 熟练使用PyTorch，能够快速实现论文算法并进行验证性实验；具备良好的代码规范，能独立构建可复现的实验流水线（数据处理→训练→评测）。

3. 03

   加分项 · 在ICML、NeurIPS、ICLR、JMLR等顶级会议/期刊上发表过关于大规模训练策略、持续学习或模型扩增方向的论文；

• 有在多任务、多模态或终身学习场景下设计增量训练算法的实际项目经验；

• 熟悉元学习（Meta-Learning）或贝叶斯非参数方法，并能将其与增量训练问题结合；

• 对强化学习算法有深入理解，能在增量框架下设计更稳定的策略微调方法。

招聘部门：智能汽车事业部

招聘人数：2

岗位类别：算法序列

工作地点：北京市、上海市