追觅科技
LLM模型工程师(J57541)
LLM模型工程师(J57541)
发布于 9 天前普通员工/个人贡献者
全职员工仅现场办公AI算法
AI算法
Llm
Lora
Prompt Engineering
Pytorch
Qlora
多模态
强化学习
指令微调
模型压缩
值不值得投
71综合评分
综合评分 71
车载LLM资深算法岗，前沿技术纵深强，薪资未披露但市场稀缺，WLB信息不明
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比AI算法中位数高
发布情况
正常在招 · 8 天前发布
公司情况
公司还在招多个职位
7 个在招 · 其中AI算法 5 个
职位详情
关于这个职位
追觅科技在苏州招聘LLM模型工程师，负责车载交互场景下大模型的微调、压缩与优化，通过指令微调、强化学习实现模型对齐，并探索多模态与端侧LLM在车载环境的应用
适合有5年以上算法经验、深耕大模型方向的资深工程师
最低要求
计算机、人工智能等相关专业硕士及以上学历，5年以上算法研发经验，至少2年LLM相关项目经验
熟悉主流LLM的原理和架构，具备丰富的提示词工程、模型微调、评估和优化经验
具备优秀的编程能力和算法实现能力，熟练使用PyTorch等深度学习框架
工作职责
针对车载交互的特点（上下文继承领域分类，多意图等），对LLM进行微调（Fine-tuning）、压缩和优化
负责LLM的Prompt Engineering、指令微调、强化学习训练等技术工作，通过多阶段训练流程实现模型对齐，提升模型在特定任务上的表现和安全性
与业务团队合作，将LLM技术与意图理解、对话管理、内容生成等模块深度融合，打造创新的交互体验
跟进LLM前沿技术，探索多模态、端侧LLM等在车载环境的应用潜力
优先资格
加分项：有车厂成功落地的大语言模型相关项目经验，深刻理解车载业务场景的挑战
有模型量化、蒸馏等压缩和加速经验者优先
熟悉LoRA、QLoRA等高效微调技术者优先
在LLM顶级会议或期刊发表过论文者优先
AI 洞察
优缺点分析
优点
- 车载大模型交互是LLM落地的高价值场景，技术积累含金量高
- 覆盖微调、对齐、压缩、端侧部署全链路，能力栈完整
- 加分项明确指向量化蒸馏与LoRA等热门技术，方向前沿
- 与业务团队深度协作，模型可直接落地验证效果
- 车载场景对模型安全性与响应时延要求苛刻，调优难度大
- 端侧资源受限下的模型压缩需要在效果与性能间反复权衡
- LLM技术迭代极快，需要持续高强度学习跟进
- 适合有扎实LLM工程经验、想在车载智能化赛道深耕大模型落地的资深算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 从资深算法工程师起步，可成长为车载大模型方向的算法专家
- 随着车载智能交互业务扩展，有机会带团队走向技术管理
- 多模态与端侧LLM经验积累后，向通用大模型应用架构方向发展
- 针对车载交互的特点对LLM做微调、压缩和优化
- 负责Prompt Engineering、指令微调与强化学习训练，通过多阶段训练实现模型对齐
- 与业务团队协作，把LLM与意图理解、对话管理、内容生成模块融合落地
- 跟进前沿进展，探索多模态与端侧LLM在车载环境的应用
- 计算机或AI相关硕士学历，5年以上算法研发经验且至少2年LLM项目经验
- 熟悉主流LLM原理与架构，有提示词工程、微调、评估优化实战经验
- 编程与算法实现能力强，熟练使用PyTorch
- 有模型量化蒸馏、LoRA/QLoRA等高效微调技术经验更佳
申请策略
- 突出LLM微调与对齐项目，写明使用的训练方法与任务效果提升数据
- 重点展示模型量化、蒸馏或LoRA/QLoRA等压缩加速的落地成果
- 如有车载或智能座舱相关项目经验，务必放在显著位置
- 列出发表的顶会论文或开源贡献
- 复习主流开源LLM架构与多阶段对齐训练（SFT+RLHF）流程
- 动手实践QLoRA微调与INT4/INT8量化部署的完整链路
- 了解车载交互的典型需求，如多意图识别与上下文继承处理
面试指南
- 项目题按「业务问题—技术选型—关键优化—量化收益」结构展开
- 原理题先讲机制本质，再结合实际资源约束给出工程取舍
- 场景设计题先拆解需求特点，再给分阶段方案与验证方式
- 介绍你做过的一个LLM微调项目，如何设计训练数据与评估体系
- LoRA与全参微调的原理差异是什么，何时选择哪种方案
- 如何对模型做量化与蒸馏，在精度损失与推理加速之间如何权衡
- 车载场景下多意图识别与上下文继承，你会如何设计方案
- RLHF多阶段训练中，你如何保证模型对齐与安全性
职位点评
薪资福利68
成长发展85
工作生活55
使命价值70
薪资福利
68中等
JD未披露薪资，但LLM资深算法岗在当前市场属稀缺方向，谈判空间较大，需面试确认。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
85较高
直接负责LLM微调对齐与端侧多模态探索，处于大模型落地前沿，技能成长空间大，但JD未提及晋升通道。
技术前沿前沿/新兴技术
技术栈LLM、Fine-tuning、强化学习、LoRA、QLoRA、模型量化、蒸馏、多模态、端侧LLM、PyTorch
业务类型ambiguous
工作生活
55较低
JD未提及任何办公模式与WLB信息，算法研发岗需配合业务落地节奏，办公灵活性有限。
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
70中等
车载智能交互代表AI技术向出行场景落地的方向，行业前景较好，JD本身未提及使命导向表述。
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