科大讯飞
算法研究员-多语种大模型
算法研究员-多语种大模型
发布于 大约 14 小时前普通员工/个人贡献者
合肥市
中级经验
全职员工
仅现场办公
硕士
NLP
PyTorch
微调
多模态
模型安全
大模型
语音交互
RLHF
意图识别
AI 估算 · 25k–45k
科大讯飞为大厂，合肥薪资低于一线但大模型方向抢手，硕士+2年经验预估月薪25k-45k，含年终奖14薪
职位详情
关于这个职位
该职位是科大讯飞面向车载语音场景的大模型算法研究员，主要负责多语种大模型的研发与训练，包括模型选型、SFT、RLHF等全流程，以及NLU核心能力建设和多模态技术落地
适合有2年以上NLP/大模型经验、熟悉Transformer和PyTorch的硕士及以上学历人才
最低要求
硕士及以上学历，计算机科学、人工智能、自然语言处理、语音信号处理、数学等相关专业
年以上 NLP / 大模型相关研发经验，有完整的模型训练和上线部署经历
扎实的机器学习和深度学习基础，熟悉 Transformer 架构及其变体，深入理解注意力机制、位置编码、解码策略等核心原理
熟练使用 PyTorch等训练框架
熟悉大模型微调技术栈（全量微调、LoRA / QLoRA、P-Tuning 等），有实际项目落地经验
熟悉主流 NLP 任务（文本分类、序列标注、文本生成、语义匹配等）的算法实现
具备良好的工程能力，能够编写高质量、可维护的生产级代码
优秀的英文文献阅读能力，能快速跟进领域前沿论文
工作职责
一、大模型算法研发与训练：
负责面向车载语音场景的大语言模型研发工作，包括模型选型评估、监督微调（SFT）、对齐训练（RLHF / DPO / PPO）等全流程
针对车载垂直领域（车控指令理解、导航交互、用车知识问答、情感陪伴等）构建高质量训练数据集，设计数据清洗、标注、增强策略
负责 NLU核心能力建设，包括意图识别、槽位填充、实体抽取、指代消解、多轮对话状态追踪等
研究并落地多模态大模型技术，融合语音、文本、视觉等多模态信息，提升座舱场景下的环境感知与意图理解能力
二、效果评估与持续迭代：
建立车载语音大模型的系统性评估体系，涵盖通用能力评测（语言理解、推理、生成质量）和垂直场景评测（车控准确率、对话完成率、安全合规率）
设计自动化评估 Pipeline，支持模型版本间的 A/B 对比和回归检测
基于线上数据闭环（数据采集 → 挖掘 → 标注 → 训练 → 部署），驱动模型能力的持续迭代升级
负责模型安全与对齐，确保车载场景下模型输出符合行车安全规范和内容合规要求
三、技术前瞻与团队协作：
持续跟踪大模型前沿进展（MoE、长上下文、多模态融合、具身智能、Agent 架构等），评估新技术在车载场景的落地可行性
与 Prompt 工程、产品设计、数据平台等团队协作，推动语音 AI 能力的全链路优化
参与技术方案评审、专利撰写和学术交流，建设团队技术影响力
AI 洞察
优缺点分析
优点
- 行业头部公司，平台大，项目有影响力，技术积累深厚
- 前沿技术栈（大模型、多模态），技能成长快，市场价值高
- 合肥生活成本相对一线低，薪资有一定竞争力
- 技术要求全面且深入，需要持续学习前沿论文
缺点 / 挑战
- 工作强度可能较高，涉及模型训练迭代和数据闭环
- 车载场景对模型安全性和实时性要求严格，压力较大
- 适合有大模型或NLP研发经验，喜欢技术挑战，愿意在合肥长期发展的硕士及以上学历求职者
角色解读
- 在科大讯飞深耕车载语音AI，成为大模型算法专家或技术负责人
- 向多模态、Agent等前沿方向拓展，可转型为AI架构师
- 积累行业经验后，可跳槽至其他大厂或创业公司技术总监岗位
- 训练和优化车载场景的大语言模型，包括SFT、RLHF等全流程微调
- 构建高质量数据集，设计数据清洗、标注、增强策略
- 研发NLU核心能力，如意图识别、多轮对话、实体抽取等
- 跟踪大模型前沿技术，评估多模态、Agent等在车载场景的落地可行性
- 扎实的深度学习基础，精通Transformer架构及大模型微调技术
- 熟练使用PyTorch，有完整的模型训练和部署经验
- 熟悉NLP主流任务算法，具备优秀的工程代码能力
- 良好的英文文献阅读能力，能快速跟进前沿论文
申请策略
- 提前了解科大讯飞在智能座舱方面的产品（如飞鱼智行），在面试中展示业务理解
- 准备一两个自己参与过的项目，详细描述技术难点和解决方案
- 突出大模型训练和微调项目的完整经历，包括模型选型、SFT、RLHF等
- 强调NLP核心能力（意图识别、多轮对话）的实际落地效果
- 展示工程能力，如高效的数据Pipeline、模型部署经验
- 如果有论文或专利，务必列出
- 深入学习RLHF/DPO等对齐技术，动手实践开源大模型微调
- 补充多模态知识，了解语音、文本、视觉融合方法
面试指南
- 对于项目类问题，采用STAR法则（情境-任务-行动-结果）组织回答，突出技术难点和量化成果
- 对于算法原理问题，先讲核心概念，再举例说明应用场景，最后可提及最新改进
- 对于系统设计问题，从需求分析、技术选型、评估指标、迭代优化四个层面展开
- 请详细描述你参与过的一个大模型微调项目的全流程
- 如何设计车载场景下的意图识别系统？考虑哪些点？
- 你如何理解Transformer中的注意力机制？请解释Multi-Head Attention
- RLHF中reward model和PPO训练的关键点是什么？
- 如何处理多轮对话中的指代消解问题？
匹配度报告
72
综合匹配度
大厂大模型岗，技术前沿、薪资不错，但WLB一般、需现场办公。
适合人群
适合追求技术成长、不介意现场办公和可能加班的算法人才。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活50
使命价值75
薪资福利匹配
75中等
科大讯飞为上市大厂，薪资有竞争力，但JD未明确福利，合肥生活成本低，综合较优。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
岗位涉及大模型前沿技术，有完整训练和科研探索机会，成长空间大。
技术前沿前沿/新兴技术
技术栈大模型、RLHF、多模态、Transformer、MoE、Agent
业务类型profit_center
工作生活匹配
50较低
JD未提远程或弹性工作，合肥现场办公，可能有一定加班强度。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
75中等
车载智能语音提升驾驶体验，有社会价值，属于高速增长赛道。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs