阿里巴巴
Token Foundry-AI for Engineering 大模型算法专家-Qwen基础模型
Token Foundry-AI for Engineering 大模型算法专家-Qwen基础模型
发布于 1 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
Agent框架
分布式训练
大语言模型
工具链集成
强化学习(Rl)
值不值得投
76综合评分
综合评分 76
顶尖AI研发平台、前沿技术探索、高成长空间，WLB待确认
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
7.5万
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3720 个在招 · 其中人工智能 约 370 个
市场机会
选择面较广
杭州 · 人工智能 · 约 450 个在招
职位详情
关于这个职位
负责推动Qwen大模型在EDA、CAD、CAE等真实工程领域的落地与能力演进
通过构建Self-Evolving Agent闭环环境、整合专业工具链、优化长程训练策略，使模型具备理解设计规格、调用工具并持续自进化的能力，拓展AI在工程优化场景的应用边界
最低要求
来自全球Top高校计算机科学、人工智能、电子信息、自动化、集成电路或相关工科领域博士/顶尖硕士毕业生
在国际顶级会议/期刊以一作身份发表过多篇高水平论文，或在开源社区、竞赛中展示出引领性的研究成果
熟悉主流 Agent 框架与范式，有针对 Agent 特定能力进行模型微调或训练的经验
对某一工程领域的生产级落地有丰富knowhow，并在该领域有行业agent的搭建/微调经验
熟悉大模型分布式训练框架，有大规模集群上的模型训练与调优经验
具备优秀的跨团队协作和沟通能力，能够与工程、产品等团队紧密合作，推动研究成果快速落地并产生实际影响力
具备极强的自驱力，敢于挑战现有范式，探索全新模型应用场景和能力边界
工作职责
Self-Evolving Engineering Agent：研究基于 Self-Evolving、Long-Horizon、Multi-Agent 等 Test-Time Scaling 范式的工程优化能力增强方法，探索 Propose → Execute → Evaluate 迭代循环在多工程领域的统一建模，提升 Qwen 模型在开放工程环境中的泛化性与收敛效率
Envs & Tool-Chain Integration：构建面向真实工程工具链的 Agent 闭环环境，将专业工具（EDA 编译器/仿真器/综合器、CAD 求解器、物理仿真引擎等）的 CLI 接口与报告输出集成为 Agent 可消费的结构化反馈信号，设计分层 Reward 体系驱动端到端优化
Domain Data & Training Scaling：挖掘工程领域高价值数据与 workflow（设计规格、工具反馈轨迹、优化历史），构建 General Long-Horizon Data Pipeline
在 CPT → SFT → RL 端到端验证领域适配与训练策略，优化模型在工程任务中的长程推理与迭代优化能力
Benchmark & Evaluation：跟踪工程智能前沿进展，围绕关键问题开展算法创新、实验分析与技术沉淀
复现并维护高可靠性工程评测环境，建立可量化、可复现的能力评估体系
优先资格
AI for Chip Design 加分项：
（1）EDA Agent Loop：熟悉数字芯片设计全流程（RTL → 综合 → 验证 → 后端），能够将 EDA 工具链集成到 Agent 迭代循环中，构建 "生成 RTL → 工具验证 → 反馈评估 → 改进设计" 的闭环优化环境
了解后端 PnR 参数调优、时序收敛、版图优化等迭代流程，能够将布局布线阶段的多维反馈（时序/拥塞/功耗/面积）纳入 Agent 优化循环
（2）Verification & Rewarding：具备 Verilog/SystemVerilog 读写能力，能够设计面向 RTL 生成与功能验证的评测体系与训练数据流水线，探索 Agentic 的功能性验证和形式化验证方法
（3）AI for EDA Research：关注 AI for EDA 前沿进展，能够将学术界的训练范式落地为可复现的训练方案，在业界评测集上验证并推动芯片设计能力的持续演进
同时关注模拟电路设计、MEMS 及其他非数字电路领域的 AI 落地机会，具备将 Agent 迭代优化范式从数字拓展到模拟、混合信号及微机电系统等方向的研究与落地能力
AI 洞察
优缺点分析
优点
- 接触业界最前沿的LLM与Agent技术栈，直接参与核心基础模型研发
- 平台资源雄厚，可获取高质量工程数据与顶级算力支持
- 技术成果易转化为行业标杆应用，个人技术影响力大
- 工程领域知识壁垒高，需快速掌握EDA/CAD等专业工具底层逻辑
- 长程迭代与自进化算法探索难度大，实验周期长且结果不确定性高
- 适合具备扎实科研背景、热衷底层算法创新且愿意深耕垂直工程领域的博士或资深算法工程师
缺点 / 挑战
- 需频繁跨部门协作推动落地，沟通成本较高
角色解读
- 可向AI for Engineering首席科学家或技术架构师纵深发展
- 亦可横向拓展至通用大模型基座研发负责人或垂直行业AI解决方案技术总监
- 负责Qwen大模型在EDA、CAD、CAE等工程领域的算法研究与落地实践
- 构建Self-Evolving Agent闭环环境与专业工具链集成方案
- 设计长程训练数据Pipeline与评估体系
- 精通大模型分布式训练与微调技术
- 熟练掌握Agent框架设计与RL/SFT对齐流程
- 具备工程领域工具链对接与结构化数据Pipeline构建能力
- 拥有顶会论文或高水平开源贡献
申请策略
- 提前研读通义实验室最新技术博客与Qwen系列技术报告
- 准备针对Self-Evolving或Tool-Chain Integration的具体技术探讨案例，展现系统化工程思维
- 突出顶会一作论文、开源项目Star数或权威竞赛奖项
- 详细展示Agent微调、分布式训练及工具链集成的实战项目，量化实验收益
- 强调跨学科工程落地经验
- 补充工程领域专业知识（如Verilog语法、EDA全流程、CAD求解原理）
- 强化长序列数据处理、强化学习对齐（PPO/DPO）与Test-Time Scaling技能
面试指南
- 采用STAR法则结构化阐述项目背景、个人核心贡献与技术选型依据
- 重点说明消融实验设计、对比基线选择及最终量化收益
- 结合理论推导与工程实践展现系统性问题解决能力
- 请详细介绍你主导过的Agent框架微调或训练项目，遇到的最大技术瓶颈及解决思路是什么？
- 如何设计分层Reward机制以驱动端到端工程优化？如何处理稀疏奖励问题？
- 面对长程推理任务，你的数据清洗、Pipeline构建与算力调度策略是怎样的？
- 如何将学术界的训练范式转化为可复现的工业级训练方案？
- 复习Transformer架构细节、主流对齐算法与分布式训练通信机制
职位点评
薪资福利82
成长发展92
工作生活45
使命价值78
薪资福利
82较高
薪资处于行业高位水平，配套完善的福利与长期激励体系，对补偿性动机满足度较高。
薪资信号未披露（AI估算：5.5千–9.5万/月）
成长发展
92较高
提供顶尖算力资源与前沿课题探索空间，技术成长路径清晰，对发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈大语言模型、Agent框架、Self-Evolving、Test-Time Scaling、分布式训练、RL/SFT、长程推理
业务类型ambiguous
工作生活
45较低
未明确提及弹性工时，研发型岗位通常面临较长实验周期与交付压力，生活化动机满足度有限。
工作模式未明确
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
78中等
致力于突破AI在核心工业软件领域的瓶颈，推动工程智能化转型，具有显著的行业变革潜力与社会价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs