小红书
大模型算法工程师（Cowork Expert 基模方向）-T&S
大模型算法工程师（Cowork Expert 基模方向）-T&S
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人工智能
人工智能
Pytorch
Sft
内容审核
多模态
大语言模型
强化学习
模型评测
值不值得投
80综合评分
综合评分 80
前沿大模型研发、技术成长空间大、薪资竞争力强，但工作节奏可能偏快。
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
5.0万
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 2210 个在招 · 其中人工智能 60 个
市场机会
选择面较广
北京 · 人工智能 · 约 700 个在招
职位详情
关于这个职位
负责审核场景下的大语言模型基座研发与迭代，涵盖训练数据构建、SFT、偏好优化及强化学习
搭建模型评测体系，推动模型能力在内容治理任务中的落地应用，提升审核策略分析与复杂案例处理效率
最低要求
本科及以上学历，计算机、人工智能、数学等相关专业优先
熟悉 Python，具备扎实的算法实现和工程能力
熟练使用 PyTorch 等主流深度学习框架，熟悉 Linux 环境
对内容审核、内容安全或内容治理有兴趣或相关经验
具备良好的问题拆解和实验分析能力，能够从审核业务问题与模型失败案例中发现问题，并推动数据、训练、评测和部署的闭环改进
工作职责
负责审核场景下 Cowork Expert 基模的研究与建设，面向审核策略分析、复杂案例研判及多步骤审核协作任务，提升模型对审核规则、内容语境和业务目标的理解能力，以及任务规划、工具调用、过程跟踪和结果校验能力
负责审核场景相关的模型训练与迭代，包括训练数据构建、SFT、偏好优化及强化学习等
探索长流程审核任务中的轨迹学习、错误恢复、记忆与上下文管理等关键技术，提升模型对复杂、长尾及多体裁审核问题的处理能力
建设 Cowork 审核场景的模型评测体系，围绕审核结论准确性、规则理解与执行、证据引用、工具调用、任务完成率、执行效率和安全性设计评测集与分析方法，推动评测结果进入训练、策略优化和产品迭代闭环
与审核策略、产品、工程及业务团队合作，将模型能力应用到实际内容治理任务中，持续分析线上效果和失败案例，推动模型、Agent Harness 与审核工具链协同优化，提升审核效率与治理质量
优先资格
具备大语言模型训练或应用经验
在以下一个或多个方向有实践经验者优先：Agent、工具调用、任务规划、强化学习或偏好优化、长上下文、记忆机制、代码或多模态模型
对新技术保持好奇，具备主动推进、跨团队协作和持续迭代的能力
有高质量论文、开源项目或模型落地成果者优先
AI 洞察
优缺点分析
优点
- 聚焦大模型核心赛道，技术栈前沿且业务落地场景明确（内容治理）
- 依托头部互联网平台，拥有海量真实业务数据与算力资源支持
- 跨团队协作紧密，能快速积累从模型研发到工程落地的全链路经验
- 内容审核业务规则复杂且动态变化，需频繁应对长尾与多体裁案例
- 模型训练与评测涉及大量实验迭代，对工程效率与结果稳定性要求极高
- 技术更新极快，需保持高强度学习与快速跟进
- 适合具备扎实深度学习基础、对大模型底层原理与业务落地有强烈兴趣，且抗压能力强、善于跨部门协作的技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向大模型架构师或首席算法专家方向发展，深耕垂直领域（如内容安全/AI Agent）
- 也可转向技术管理岗，带领算法团队攻克复杂业务场景
- 负责内容审核场景下的大语言模型基座研发与迭代，包括数据构建、SFT、偏好优化及强化学习
- 搭建模型评测体系，验证模型在规则理解、工具调用及任务规划上的表现
- 将模型能力落地至实际内容治理任务，协同策略与工程团队优化审核工具链
- 熟练掌握 Python 与 PyTorch 框架，具备扎实的算法实现与 Linux 工程能力
- 深入理解大语言模型训练流程（SFT/RLHF），熟悉 Agent、长上下文、记忆机制等前沿方向
- 具备优秀的实验设计与数据分析能力，能驱动业务问题到模型优化的闭环
申请策略
- 提前研究小红书内容生态与审核痛点，准备针对性的业务解决方案思路
- 关注公司技术博客与开源项目，展现对团队技术文化的契合度
- 突出大模型训练实战经验（如 SFT/RLHF 具体项目），量化模型效果提升指标
- 强调 Agent、工具调用或长上下文等细分方向的深度实践
- 展示从数据构建到线上效果分析的完整闭环案例
- 补充强化学习与偏好优化（PPO/DPO）的最新论文与实践代码
- 深入理解多模态融合与长文本处理技术
- 提升大规模分布式训练与推理优化能力
面试指南
- 采用 STAR 法则（情境-任务-行动-结果）结构化回答项目经验
- 结合业务痛点阐述技术方案选型依据，用数据对比证明优化效果
- 体现系统性思维，从数据质量、模型结构、训练策略到部署监控的全链路视角
- 请详细介绍你参与过的 LLM 训练项目，重点说明数据处理、训练策略及效果评估方法
- 针对内容审核场景，如何设计评测集以衡量模型的规则理解与工具调用能力？
- 遇到模型在长流程任务中出现轨迹错误或记忆丢失，你会如何排查与优化？
- 复习大模型核心算法原理（Transformer、Attention、RLHF 等）及最新进展
- 准备 1-2 个完整的算法落地案例，重点打磨数据清洗、实验设计与线上复盘细节
职位点评
薪资福利85
成长发展90
工作生活60
使命价值75
薪资福利
85较高
互联网大厂大模型算法岗薪资竞争力强，福利体系完善，能满足较高的薪酬与稳定性预期。
薪资信号偏高 (3.5千–6.5万/月)
成长发展
90较高
岗位直接参与前沿大模型基座研发与 Agent 探索，技术成长空间大，内部项目历练机会丰富。
技术前沿前沿/新兴技术
技术栈大语言模型、PyTorch、SFT、强化学习、Agent、长上下文、多模态
业务类型cost_center
工作生活
60中等
互联网技术岗通常节奏较快，JD 未明确提及弹性工时或远程政策，可能面临一定的项目压力与技术攻坚强度。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
致力于通过 AI 技术提升内容治理效率与安全水平，具有明确的行业价值与社会正向影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs