中国移动
算法开发岗（训练策略与数据工程）-金种子（北京）
算法开发岗（训练策略与数据工程）-金种子（北京）
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Deepspeed
Fsdp
Megatron-Lm
Pytorch
Tensorflow
大模型预训练
数据工程
知识蒸馏
值不值得投
81综合评分
综合评分 81
央企核心大模型研发岗、技术前沿且成长空间大、薪资福利优厚，适合追求技术深度与平台高度的博士人才。
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，方便比较职业起点。
薪资怎么样
4.5万
比算法优化工程师中位数低
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 420 个在招
市场机会
选择面较广
北京 · 算法优化工程师 · 约 350 个在招
职位详情
关于这个职位
该职位隶属于中国移动“金种子”计划，主要负责大模型训练策略与数据工程研发
你将研究跨领域数据分布特性，设计数据混合与课程学习策略，并开展自蒸馏与模型自演进研究，推动千亿级大模型算法的优化与工程落地
最低要求
博士学历，计算机、人工智能、机器学习、应用数学、自然语言处理等相关专业
扎实深度学习与优化理论基础，深入理解 Transformer 架构，精通大模型预训练、后训练完整流程
熟练使用 Python 与 PyTorch，了解 TensorFlow，掌握 Megatron-LM、DeepSpeed、FSDP 等分布式训练框架，具备多机多卡调优经验
熟悉各类知识蒸馏范式，掌握自蒸馏、多教师蒸馏等前沿方向
精通数据混合、课程学习、动态采样、数据质量评估相关方法
具备大规模预训练数据 Pipeline 搭建经验，熟练开展多领域语料清洗、去重、分类与配比调优
具备端到端工程落地能力，能够独立完成算法设计、实验验证，可通过 loss、梯度、评测指标诊断训练瓶颈
具备良好问题解决、团队协作与跨部门沟通能力
工作职责
研究跨领域（代码、数学、科学、多语言等）数据分布特性，设计数据混合配比、课程学习、动态采样策略，缓解能力跷跷板、灾难性遗忘等问题
搭建“数据配比→能力画像”可解释框架，实现模型能力精细化调控，开展数据采集、清洗、配比相关实验，保障训练数据质量
开展自蒸馏与模型自演进方向研究，基于模型不同训练阶段、多粒度表征构建蒸馏信号，搭建无标注自监督蒸馏流水线，探索模型自我迭代增强的可持续演进方案
设计并优化大模型相关算法，开发适配海量数据的训练与推理方案，持续提升模型实际场景效果
跟踪大模型训练策略、知识蒸馏、数据工程前沿方法，完成论文复现、算法验证与创新落地
持续跟进 MiniLLM、DataComp、DoReMi 等领域前沿成果，探索原创训练与蒸馏范式，推动研究成果落地，配合跨部门开展协同研发工作
优先资格
在 NeurIPS、ICML、ICLR、ACL 等顶会发表训练策略 / 知识蒸馏 / 数据工程相关论文、参与千亿级模型训练蒸馏项目、拥有知名开源项目贡献者优先
AI 洞察
优缺点分析
优点
- 依托中国移动“九天”大模型国家级项目，平台资源与算力优势显著
- “金种子”计划针对高学历人才，培养体系完善，职业起点高
- 接触千亿级模型训练与行业前沿技术，技术积累深厚
- 大模型训练与数据工程涉及海量数据与复杂分布式调优，技术门槛与工程落地难度大
- 适合拥有博士学历、在NLP或大模型领域有顶会论文发表，且具备扎实工程落地能力的AI算法人才
缺点 / 挑战
- 需持续跟进顶会前沿成果，科研与工程双重压力较大
角色解读
- 从大模型算法工程师成长为训练策略与数据工程领域的技术专家
- 未来可向大模型架构师或AI技术总监方向发展，引领前沿技术落地
- 研究大模型训练数据分布与混合策略，设计课程学习与动态采样方案以缓解能力跷跷板问题
- 开展自蒸馏与模型自演进研究，搭建无标注自监督蒸馏流水线
- 设计优化大模型算法，开发适配海量数据的训练与推理方案
- 扎实的深度学习与优化理论基础，精通Transformer架构及大模型预训练/后训练流程
- 熟练使用Python/PyTorch及Megatron-LM/DeepSpeed等分布式训练框架
- 熟悉知识蒸馏范式及大规模预训练数据Pipeline搭建
申请策略
- 了解中国移动“九天”大模型的最新进展与应用场景，准备关于大模型能力精细化调控与自蒸馏方案的深度技术分享
- 突出在NeurIPS/ICML等顶会发表的训练策略/知识蒸馏/数据工程相关论文
- 详细描写参与千亿级模型训练或大规模数据Pipeline搭建的具体项目经验与指标提升
- 深入掌握Megatron-LM/DeepSpeed等分布式训练框架的多机多卡调优技巧
- 提升大规模语料清洗、去重与配比调优的工程实践能力
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出在复杂分布式训练中的问题排查思路，以及在数据配比/蒸馏策略上的创新点与最终模型指标的提升
- 如何设计数据混合配比与课程学习策略来缓解大模型的能力跷跷板问题？
- 在自蒸馏与模型自演进方向，你如何构建无标注自监督蒸馏流水线？
- 在使用Megatron-LM或DeepSpeed进行多机多卡训练时，遇到过哪些通信或内存瓶颈，如何解决的？
- 请分享一个你通过loss或梯度分析诊断并解决训练瓶颈的具体案例
- 复习大模型预训练与后训练的核心论文（如DoReMi, DataComp等），准备自己主导的算法设计与实验验证的详细技术细节
- 了解“九天”大模型的技术架构与业务落地场景
职位点评
薪资福利85
成长发展90
工作生活60
使命价值85
薪资福利
85较高
央企背景且为“金种子”博士引进计划，薪资福利具备较强市场竞争力，稳定性极高。
薪资信号偏高 (3.5千–5.5万/月)
成长发展
90较高
依托国家级大模型项目，接触千亿级模型训练与前沿技术，技术成长空间与行业视野极佳。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、Megatron-LM、DeepSpeed、FSDP、Transformer、MiniLLM、DataComp、DoReMi
业务类型ambiguous
工作生活
60中等
央企背景通常工作节奏相对规律，但大模型核心研发岗位可能面临较高的项目交付压力，具体WLB情况未明确。
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
85较高
参与央企“国之重器”大模型研发，推动国家数智化转型，社会价值与行业使命感强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号国之重器、数智赋能升级、驱动智能服务创新突破
创新程度开拓性创新（行业首创）
Watch Jobs