海尔
生成式AI（大模型算法）
生成式AI（大模型算法）
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公NLP工程
NLP工程
Faiss
Qwen
Rag
Vllm
知识图谱
值不值得投
薪资怎么样
4.8万
比NLP工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 740 个在招
市场机会
选择不多
青岛 · NLP工程 · 1 个在招
职位详情
关于这个职位
该岗位属于海尔生成式AI方向的大模型算法团队，聚焦本体增强检索与生成（RAG）算法研究，负责搭建200题规模的A/B/C评测体系，并对照评测幻觉率与答案准确率，支撑工业问数与根因分析结果可溯源
适合具有博士学历、具备大模型/RAG工业落地经验并发表过顶会论文的算法研究者
最低要求
博士，计算机科学、人工智能、自然语言处理、统计学或相关专业
年以上大模型算法研究或工业落地经验
有RAG系统、知识增强生成或可信AI方向的项目经历
核心技能：
① 精通Transformer架构及主流大模型（LLaMA、Qwen、DeepSeek、GPT系列等）的微调、推理与部署
② 深入掌握RAG技术栈：向量检索（FAISS/Milvus）、稀疏-稠密混合检索（BM25+Dense）、重排序（Reranker）、检索增强生成链路设计与优化
③ 具备幻觉检测与缓解的系统方法论，熟悉事实一致性校验、引用归因（Citation Attribution）、知识冲突消解等技术
④ 熟练掌握评测体系设计方法，能独立构建A/B/C多维度评测框架，具备评测指标设计（准确率、召回率、幻觉率、可溯源率等）和统计检验分析能力
⑤ 精通Python，熟练使用PyTorch/vLLM/LangChain/LlamaIndex等框架，具备大规模数据处理与实验管理能力
领域知识：
① 了解工业本体知识图谱与结构化知识的表示与查询（SPARQL/Cypher）
② 了解工业场景下的数据溯源（Provenance）需求与实现路径
③ 了解因果推理（Causal Inference）基本概念，能配合知识-机理融合方向开展可解释性研究
成果要求：在ACL/EMNLP/NeurIPS/AAAI/WWW等顶会或IEEE TKDE/TACL等期刊发表过相关论文
或有可验证的工业级RAG系统落地成果
素质要求：具备严谨的实验科学素养，对评测方法论有执着追求
能将算法研究目标与业务指标（如问数准确率、根因可溯源率）建立清晰映射
良好的跨团队协作能力，能与知识工程、工业世界模型方向紧密配合
工作职责
（技术1）资深大模型算法科学家：负责本体增强检索与生成（RAG）算法研究，扩大评测集开展幻觉率与答案准确率对照评测，建立200题A/B/C评测体系
支撑问数与根因分析结果可溯源
要求博士学历，具有大模型或知识增强生成方向研究经历
AI 洞察
优缺点分析
优点
- 技术方向贴近大模型前沿：RAG、幻觉检测、可信AI都是当前工业落地的核心命题，研究价值与工程价值兼具
- 问题定义清晰且可量化（问数准确率、幻觉率、可溯源率），研究成果容易转化为可验证的工业级成果
- 面向真实工业数据与业务场景做算法，而不是停留在Demo阶段，落地价值明确
- 明确要求顶会/期刊成果，学术与工程可以双线成长，有利于长期个人技术品牌积累
- 需要同时对接知识工程、工业世界模型等多个团队，跨团队沟通与目标对齐成本不低
- 适合有博士学位、做过大模型或RAG工业落地并有顶会/期刊成果，希望在真实工业场景中把可信生成做深做实的算法研究者
缺点 / 挑战
- 门槛较高：博士学历、三年以上经验、顶会论文三重叠加，面试会重点考察研究深度与实验严谨性
- 幻觉检测与可溯源属于开放难题，评测体系建设周期长，短期出成果的压力较大
角色解读
- 沿技术专家路线深耕，可成长为大模型可信生成、RAG方向的资深科学家或算法技术带头人
- 可横向拓展到工业世界模型、知识-机理融合、因果推理等方向，形成“大模型+工业知识”的复合能力
- 在真实工业场景中积累可验证的落地成果，有机会转向AI平台或算法团队的管理岗位
- 研究并优化本体增强检索与生成（RAG）算法，把企业本体知识与大模型生成能力结合，提升问数结果的准确性与可解释性
- 设计并维护200题规模的A/B/C多维评测集，持续开展幻觉率、答案准确率等指标的对照评测与统计检验
- 搭建幻觉检测、事实一致性校验、引用归因与知识冲突消解的方法体系，保证问数与根因分析结果可溯源
- 与知识工程、工业世界模型团队协作，把算法研究目标映射到问数准确率、根因可溯源率等业务指标上并推动落地
- 精通Transformer架构，以及LLaMA、Qwen、DeepSeek、GPT等主流大模型的微调、推理与部署
- 扎实的RAG技术栈能力：向量检索（FAISS/Milvus）、BM25+Dense混合检索、Reranker重排序与全链路优化
- 评测方法论能力：能独立设计A/B/C多维评测框架，定义准确率、召回率、幻觉率、可溯源率等指标并做统计检验
- 工程与研究工具链：精通Python，熟练使用PyTorch、vLLM、LangChain、LlamaIndex，了解SPARQL/Cypher与因果推理基础
申请策略
- 提前了解海尔在工业互联网、智能制造方向的AI布局（如卡奥斯平台），把个人研究与业务场景对齐
- 准备一个可复现的技术方案或开源项目，完整展示检索、生成、评测的闭环，比单纯罗列论文更有说服力
- 突出RAG全链路经验：混合检索（BM25+Dense）、Reranker、生成与后处理各环节的具体优化手段和指标提升
- 量化幻觉治理成果，如幻觉率下降幅度、引用归因准确率、可溯源率提升，用数据说话
- 列出ACL/EMNLP/NeurIPS/AAAI/WWW或TKDE/TACL等论文，并说明你在其中承担的具体工作
- 体现工程与实验管理能力：vLLM部署优化、大规模数据处理、可复现的实验流程与评测脚本
- 补齐评测方法论：A/B/C多维评测设计、统计显著性检验、指标口径定义与置信区间计算
- 熟悉知识图谱与本体建模，练习SPARQL/Cypher查询，把结构化知识接入RAG链路
面试指南
- 用“问题—方案—指标—复盘”的结构作答：先讲清业务问题和约束条件，再讲技术选型与实现细节，最后用数据说明效果与不足
- 回答评测类问题时，先讲指标体系（准确率/召回率/幻觉率/可溯源率），再讲数据构造与统计检验方法，体现方法论严谨性
- 回答研究类问题时，坦诚区分已解决与仍开放的问题，并给出你下一步的实验设计思路
- 你如何设计一套RAG系统评测体系？200题的A/B/C分级依据是什么，如何保证统计有效性？
- 在幻觉检测与缓解方面你做过哪些具体工作？引用归因（Citation Attribution）如何实现和评估？
- 混合检索（BM25+Dense）与Reranker如何选型调参？如何权衡召回率与推理延迟？
- LLaMA/Qwen/DeepSeek的微调与部署方案是什么？vLLM推理优化你做过哪些实践？
- 工业问数场景下的知识冲突消解与数据溯源（Provenance）你会怎么落地？
Watch Jobs