数值基础大模型算法工程师

本岗位是研究团队的核心成员，研究与工程一体。你将参与从算法设想、实验验证到训练落地的完整过程，既做研究，也写代码。

1. 参与构建大规模预训练基础设施，覆盖训练优化、分布式训练、微调 pipeline、数据集工程与评测链路建设。

2. 参与数值基础模型的架构设计、预训练、对齐与评测，任务类型包括但不限于时序预测、异常检测、分类与回归。

3. 研究模型效率优化方法（如蒸馏、量化、推理加速），推动模型在真实场景中稳定落地，而不只停留在论文中的指标

4. 跟踪并复现数值基础模型、时序模型、表格模型相关前沿工作，完成从算法验证到工程落地的闭环。

5. 参与研究论文、技术报告与开源文档撰写，沉淀可复用的模型、代码与实验结论。

1. 计算机或相关领域硕士或博士学位，有3年以上在科研或者工业界构建机器学习或者深度学习系统的经验。

2. 深入理解深度学习系统的Training dynamics、scaling laws和常见失效模式，有Transformer或者其他基模训练经验。

3. 在 ICML、NeurIPS、ICLR、KDD 等顶级会议发表过相关论文者优先。

4. 对模型效率提升有真正的兴趣，即让大模型更快、更易扩展、更适合实际部署

5. 精通 Python、PyTorch 以及更广泛的机器学习和数据科学生态（scikit-learn、pandas、NumPy），并具备扎实的软件工程实践

加分项

1. 具备 3 年以上构建和维护供他人使用的 Python 包或 ML 库的经验，有活跃开源贡献记录者优先。

2. 了解时序基模模型或表格基础模型者优先。

3. 熟悉分布式训练、显存优化、推理加速、模型压缩与 serving 优化。

4. 有从 0 到 1 训练基础模型或开源模型维护经验。

5. 能将复杂研究问题拆解为可执行里程碑，并带动跨角色协作交付。