Alibaba logo
阿里巴巴
AI推理平台-LLM下一代高效架构研究员-杭州/北京

AI推理平台-LLM下一代高效架构研究员-杭州/北京

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 5.0–9.0万 · AI 参考估算
高级经验
硕士
全职员工仅现场办公AI算法
AI算法
Attention
Llm
Moe
Test-Time Scaling
大模型架构
模型推理优化
稀疏注意力
线性注意力

值不值得投

77综合评分

综合评分 77

前沿大模型架构研究岗,技术成长强、研究价值高,WLB信息未披露。

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

7.0万

比AI算法中位数高

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 5250 个在招 · 其中AI算法 约 120 个

市场机会

选择面较广

杭州 · AI算法 · 约 130 个在招

职位详情

关于这个职位

该职位聚焦大模型下一代高效架构研究,围绕稀疏注意力、线性注意力、MoE、隐空间计算和test-time scaling等方向,探索更低计算成本与更强模型能力之间的平衡

适合希望参与旗舰模型架构演进、推理效率提升和前沿AI算法研究的候选人

最低要求

计算机科学、人工智能、数学、电子工程等相关专业硕士及以上学历,博士优先

具备扎实的深度学习与数学基础,熟悉大模型架构与训练原理,对 Transformer、Attention、MoE、序列建模、优化算法等一个或多个方向有深入理解
具备独立开展算法研究的能力,能够完成研究假设提出、方案设计、模型实现、对照实验与结果分析
有模型架构创新、训练效率优化、推理能力提升或规模扩展规律研究经验者优先
在 NeurIPS、ICML、ICLR、ACL、EMNLP、MLSys 等会议发表相关论文,或深度参与高质量开源模型与训练项目者优先

工作职责

探索面向低成本计算的新型模型架构,围绕稀疏attention,线性注意力,新型moe架构设计等方案,探索模型各架构对scaling的收益

探索高效推理与隐空间计算方法,围绕 latent CoT、looped transformer、自适应思考强度,探索更高效的test-time scaling范式
探索多模型协作下的推理新范式,包括模型路由,context共享等multi-agent下的实际推理问题
探索基于后训练的模型架构演进,进一步提升旗舰模型的性价比

优先资格

博士优先

有模型架构创新、训练效率优化、推理能力提升或规模扩展规律研究经验者优先
在 NeurIPS、ICML、ICLR、ACL、EMNLP、MLSys 等会议发表相关论文,或深度参与高质量开源模型与训练项目者优先

AI 洞察

优缺点分析

优点

  • 研究方向处于大模型核心前沿,能够积累架构创新、推理效率和scaling规律等高价值能力
  • 工作内容直接关联旗舰模型性价比提升,研究成果有机会落地到大规模真实业务和模型中
  • 覆盖模型架构、后训练、推理范式和多模型协作等多个前沿议题,技术视野较宽
  • 对论文和开源项目经历有明确认可,适合有研究积累的人发挥优势
  • 研究问题难度高,需要在模型能力、计算成本、工程可行性和scaling收益之间反复验证
  • 前沿方向迭代快,需要持续跟进最新论文、开源模型与工业界实践
  • 适合计算机、AI、数学或电子工程背景,具备大模型研究经历和强实验能力的硕士、博士候选人
  • 尤其适合希望在LLM架构与推理效率方向做长期技术深耕的人

缺点 / 挑战

  • 对数学基础、模型实现和实验设计能力要求都较高,独立研究能力不足会面临较大压力

角色解读

  • 可沿着大模型算法研究员、资深研究员、研究专家方向发展,持续深耕模型架构、训练效率和推理范式
  • 未来可拓展到旗舰模型核心技术负责人、AI基础模型架构负责人或技术管理岗位
  • 也可基于前沿研究成果转向AI Infra协同优化、模型系统联合设计或下一代智能体推理平台建设
  • 研究低成本、infra亲和的大模型新架构,包括稀疏attention、线性注意力、新型MoE等方向,并评估其对scaling的收益
  • 探索高效推理与隐空间计算方法,围绕latent CoT、looped transformer、自适应思考强度等方向设计更高效的test-time scaling范式
  • 研究多模型协作推理场景,包括模型路由、context共享以及multi-agent下的实际推理问题
  • 参与后训练阶段的模型架构演进,提升旗舰模型的性价比和综合使用效率
  • 需要扎实的深度学习、数学和大模型基础,理解Transformer、Attention、MoE、序列建模和优化算法等核心机制
  • 需要具备完整的研究闭环能力,能提出假设、设计方案、实现模型、完成对照实验并分析结果
  • 需要较强的工程实现与实验验证能力,能够把架构创新转化为可验证的训练效率或推理能力提升
  • 有顶会论文、高质量开源模型或训练项目经历会显著增强竞争力

申请策略

  • 申请时建议明确说明自己最匹配的研究方向,例如架构创新、推理效率、后训练或多模型协作
  • 面试前了解阿里大模型相关技术布局和公开研究成果,准备将个人研究经历与岗位方向建立连接
  • 重点突出与Transformer、Attention、MoE、序列建模、优化算法相关的研究或项目经历,说明具体贡献和技术细节
  • 展示完整研究闭环能力,包括问题定义、假设提出、模型实现、实验设计、指标提升和失败复盘
  • 如有NeurIPS、ICML、ICLR、ACL、EMNLP、MLSys等论文,应标明作者身份、研究问题和核心结果
  • 如有高质量开源模型或训练项目经历,应突出代码贡献、训练规模、性能优化结果和协作方式
  • 提前梳理稀疏attention、线性注意力、MoE、latent CoT、looped transformer和test-time scaling等关键方向的原理与最新进展
  • 强化大规模模型实验能力,包括对照实验设计、消融分析、训练效率评估和推理成本分析

面试指南

  • 研究类问题按“背景问题—核心假设—方法设计—实验验证—结果复盘”的结构回答,突出因果逻辑和量化结果
  • 技术原理类问题先讲直觉,再讲公式或复杂度,最后补充工程落地中的权衡与限制
  • 开放研究类问题先拆解目标与约束,再提出多个候选方案,并说明优先级、评估指标和可能风险
  • 请介绍一个你独立完成的大模型架构或训练效率优化研究,包括假设、方法和实验结果
  • 稀疏attention、线性注意力和传统attention在计算复杂度、模型能力和工程实现上有什么差异?
  • 如何理解MoE架构对scaling和推理成本的影响?实际训练中会遇到哪些问题?
  • latent CoT或test-time scaling有哪些代表性方法?你认为下一步突破点在哪里?
  • 如果要在相同算力下提升旗舰模型性价比,你会如何设计实验路线?

职位点评

薪资福利82
成长发展94
工作生活45
使命价值78

薪资福利

82较高

JD未披露薪资与福利信息,但该岗位属于高门槛大模型算法研究岗位,经验与学历要求较高,通常对薪酬动机有较强吸引力。

薪资信号未披露(AI估算:5.0千–9.0万/月)

成长发展

94较高

岗位直接围绕下一代大模型高效架构、推理范式和后训练演进展开,技术前沿性强,且强调独立研究、实验验证和顶会/开源经历。

技术前沿前沿/新兴技术
技术栈LLM、Transformer、Attention、MoE、稀疏attention、线性注意力、latent CoT、looped transformer、test-time scaling、multi-agent
业务类型ambiguous

工作生活

45较低

JD仅明确北京/杭州地点,未提及远程、弹性、双休或加班信息,因此生活化动机满足程度无法从原文得到充分支持。

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

78中等

岗位目标是通过架构与算法创新降低模型训练和使用成本,并提升旗舰模型性价比,具有较强技术价值;但JD未直接表达社会使命或公共价值导向。

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