云知声
大模型算法研究员(J11069)
大模型算法研究员(J11069)
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Deepspeed
Dpo
Grpo
Megatron
Ppo
Pytorch
偏好对齐
大模型
强化学习
值不值得投
69综合评分
综合评分 69
前沿大模型算法研究岗，技术成长空间极大，但工作模式与强度未知，适合专注技术的资深研究者。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4万
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
4 个在招
市场机会
选择适中
南京 · 人工智能 · 13 个在招
职位详情
关于这个职位
该职位为云知声公司的大模型算法研究员，核心工作是负责通用或领域大模型的全周期研发，包括大规模指令微调与偏好对齐
此外，研究方向还包括智能体场景下的强化学习决策模型、前沿对齐算法创新以及合成数据管线构建，致力于将最新的推理能力注入模型基座
最低要求
学术背景：计算机、数学、统计学或相关专业硕士/博士学位
在顶级会议（NeurIPS, ICLR, ICML, ACL）发表过高质量论文者优先
模型训练功底： 具备Deepseek, Qwen, GLM 等主流开源大模型的实战微调经验，深刻理解 Transformer 架构及注意力机制的演进
强化学习经验： 熟练掌握 PPO, DPO, GRPO等强化学习算法在 NLP 领域的应用，能够独立解决 RL 训练中的不稳定性、奖励函数偏移（Reward Hacking）等挑战
Agent 实战： 熟悉主流 Agent 框架（如 LangGraph, AutoGPT，ClaudeCode），有实际处理过评测集优化经验者优先
工程能力： 熟练使用 Python/PyTorch，精通分布式训练工具链（DeepSpeed/Megatron），具备千卡规模下的模型并行、流水线并行调优经验
工作职责
核心模型演进： 负责通用/领域大模型的全生命周期研发，包括超大规模指令微调（SFT）及偏好对齐（Alignment）
Agentic RL 研发： 针对智能体场景，研究并实现基于强化学习的决策模型
重点解决 Long-horizon Reasoning（长程推理）、Tool-use（工具调用）和 Self-correction（自我纠错）在复杂多轮交互中的表现
对齐算法创新： 探索和落地超越 DPO/PPO 的最新对齐技术（如 GRPO, DAPO, Online RLHF），通过构建高精度的 Reward Model 提升模型在逻辑、代码及 Agent 任务上的胜率
合成数据管线： 利用 Teacher-Student 架构，通过 AI-native 方法构建针对 Agent 动作轨迹、反思闭环的高质量合成训练集
前沿跟踪： 紧跟 OpenAI o-series, Claude Opus 等最新推理模型技术路径，将长推理链、系统性思维等能力注入开源基座
优先资格
在顶级会议（NeurIPS, ICLR, ICML, ACL）发表过高质量论文者优先
AI 洞察
优缺点分析
优点
- 研究方向处于当前人工智能最前沿，涉及大模型对齐、Agent等热门领域，技术成长空间大
- 公司已上市，能提供相对稳定的研发环境和资源支持前沿探索
- 技术门槛极高，要求同时具备顶尖的理论研究能力和大规模工程实践能力，工作难度大
- AI领域发展日新月异，需要持续高强度学习以跟踪OpenAI、Anthropic等公司的最新技术
- 适合对大语言模型和强化学习有深厚兴趣与研究基础，具备博士学历或顶会论文发表经验，并渴望在技术深水区探索的求职者
缺点 / 挑战
- 有机会接触和挑战顶级会议的研究课题，对个人学术履历和技术品牌提升有帮助
- 作为研究员，其工作成果可能需要较长的周期才能验证，且需应对技术路线选择的风险
角色解读
- 技术专家路线：持续深耕大模型与AI Agent前沿，成为该领域的顶级研究科学家
- 技术管理路线：带领研究团队，负责技术方向规划与重大项目攻关
- 产业应用路线：将前沿算法转化为可落地的产品与解决方案，推动技术商业化
- 主导大模型从指令微调到偏好对齐的全流程研发，提升模型在特定任务上的表现
- 研究并实现基于强化学习的智能体（Agent）决策模型，解决长程推理、工具调用等复杂问题
- 创新模型对齐技术，探索如GRPO、DAPO等前沿算法，并构建高质量合成数据
- 需要扎实的大语言模型（LLM）训练与微调功底，深刻理解Transformer架构
- 必须精通PPO、DPO等强化学习算法在NLP中的应用，并能处理RL训练的工程难题
- 需要具备使用Python、PyTorch及DeepSpeed/Megatron进行千卡分布式训练的硬核工程能力
申请策略
- 在求职信中清晰阐述你对大模型对齐或Agent技术的理解，以及对该职位研究方向的见解
- 准备好技术讨论，可能需要深入交流模型训练、算法细节和工程挑战的解决方案
- 重点展示在NeurIPS/ICLR/ICML/ACL等顶会发表的论文，以及在论文中承担的具体工作
- 详细描述使用DeepSpeed/Megatron等框架进行大规模模型训练的项目经验与优化成果
- 提供涉及强化学习（如PPO、DPO）或Agent相关研究的具体案例与成果
- 深入研读GRPO、DAPO等最新对齐算法论文，并尝试复现或进行小规模实验
- 加强在复杂Agent框架（如LangGraph）下的开发与调试经验
- 提升对千卡级分布式训练中故障排查、性能调优的工程实践能力
面试指南
- 对于技术问题，使用STAR法则：先描述背景和任务，再详细说明你采取的技术方法和步骤，最后用数据量化你的工作成果
- 对于开放性的设计问题，先阐述核心目标和评估维度，再列举具体指标和测试场景，最后说明如何实现与迭代
- 对于工程挑战，重点描述问题现象、你的分析排查过程、最终采用的解决方案以及从中总结的最佳实践
- 请详细介绍你在论文中提出的方法，以及它解决了大模型训练中的哪个具体问题？
- 在RLHF/DPO的实际应用中，你遇到过哪些挑战（如Reward Hacking），是如何解决的？
- 如果让你设计一个用于评估Agent工具调用能力的基准测试，你会如何设计？
- 在千卡训练环境下，你遇到过的最棘手的并行通信或资源管理问题是什么？
- 系统回顾并梳理自己过去研究或项目中与RL、LLM微调、分布式训练相关的所有技术细节
职位点评
薪资福利70
成长发展85
工作生活40
使命价值80
薪资福利
70中等
该职位薪资估算处于南京市场中上水平，对具备相应能力的候选人有一定吸引力，但JD未明确提及具体薪酬福利结构。
薪资信号面议 (3千–5万/月)
成长发展
85较高
该职位处于大模型技术最前沿，要求深入探索强化学习与对齐算法，技术成长空间极大，且公司已上市能提供一定研发资源。
技术前沿前沿/新兴技术
技术栈大模型、强化学习、GRPO、DAPO、PPO、DPO、Agent、DeepSpeed、Megatron
成长机会学术背景、发表过高质量论文者优先
业务类型profit_center
工作生活
40较低
JD未提及任何工作模式或WLB相关信息，且作为前沿算法研究岗位，通常意味着较高的工作强度与投入。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
该职位致力于将最前沿的AI技术（如长程推理、系统性思维）注入模型，推动人工智能能力的边界，具有较强的创新与技术引领价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号将长推理链、系统性思维等能力注入开源基座
创新程度开拓性创新（行业首创）
Watch Jobs