百度
应用基模算法工程师（J104786）
应用基模算法工程师（J104786）
发布于 大约 2 小时前普通员工/个人贡献者
北京市
专家级经验
全职员工
仅现场办公
本科
机器学习工程
AI 估算 · 40k–70k
职位详情
关于这个职位
作为百度文心 Lite 模型的应用基模算法工程师，你将负责模型在具体应用场景下的后训练全流程，包括数据构造、策略调优与效果评估，并参与中训练与预训练的数据策略设计
该岗位强调工程落地能力与对效果负责的态度，适合具备扎实深度学习基础、熟悉大模型技术栈并乐于深入 badcase 归因的候选人
你将与业务、平台、评估团队紧密协作，推动模型在真实流量上稳定落地
最低要求
有扎实的机器学习/深度学习基础，能用 Python 和主流框架（PaddlePaddle、PyTorch 等）独立跑通训练、评估、推理链路
框架不熟但基础扎实，我们相信你能快速上手
理解大语言模型的整体技术栈，在预训练、中训练、SFT、偏好对齐、蒸馏中的任一环节有较深入的理解或实践经验即可，不要求全链路覆盖
对数据和指标有敏感度，愿意深入 badcase 细节做归因
有大规模数据处理经验（Spark / MapReduce / Hadoop 等）或愿意在工作中补齐这部分能力
具备较强的实验设计与问题定位能力，习惯用消融实验和指标分析说话，能把"效果不好"拆成可验证的假设
工作职责
应用场景后训练：负责百度文心 Lite 模型在具体应用场景下的后训练全流程——从场景需求拆解与能力维度定义出发，完成训练数据的构造、筛选与合成，选型并调优 SFT、偏好对齐（DPO/RLHF）、模型蒸馏、长/短思考模式等训练策略，在效果、时延与成本之间找到业务可接受的平衡点，最终推动模型在真实流量上稳定落地
应用模型效果评估与归因：搭建贴合业务的评估集与评估口径（自动指标、模型裁判、人工评测相结合），保证离线评估与线上表现的一致性
负责版本间效果对比、AB 实验设计与结论解读
对效果波动和 badcase 做系统性归因，判断问题来自数据分布、训练配置、基座能力、prompt/工程链路还是评估口径本身，输出可执行的改进方案并驱动下一轮迭代闭环
中训练与预训练：参与文心 Lite 模型的中训练（mid-training）与预训练，负责数学、科学推理、知识综合、长文本、指令遵循、代码、 agent 与业务增强等方向的数据策略设计、领域数据配比实验与退火/续训方案，持续提升基座模型的通用与专项能力
数据与评估基建：建设面向中训练与后训练的数据生产管线（采集、清洗、去重、合成、质量分级）与自动化评估体系，维护多方向 benchmark 与实验对比平台，让数据策略的收益可量化、可复现、可持续迭代
方法沉淀与协同：沉淀可复用的数据、训练与归因方法论，与业务、平台、评估团队协同推进版本迭代与交付
优先资格
以下经历会是加分项（非必需）：主导过大规模数据处理或模型训练
有模型效果评估体系、自动化评测或 AB 实验的建设经验
在数学推理、代码与 agent、长文本、指令遵循等方向有专项优化经验
在 NeurIPS / ICML / ACL / ICLR 等会议发表论文，或在公开评测、算法竞赛中取得较好成绩
有开源项目贡献
AI 洞察
优缺点分析
优点
- 百度文心大模型是行业领先的大模型，参与其训练与优化能积累前沿技术经验
- 岗位涉及训练、评估、数据基建全流程，技能覆盖面广，成长空间大
- 公司平台大，资源丰富，与顶尖团队合作，职业发展前景好
- 对综合能力要求高，需要同时掌握训练、数据、评估等多方面技能
- 技术难度高，需要深入理解模型原理与业务场景，持续学习
缺点 / 挑战
- 工作强度大，快节奏迭代，需要承受较大压力
- 适合对 AI 技术有热情、具备扎实算法基础、喜欢挑战并愿意深入细节的工程师
角色解读
- 在百度文心团队积累大模型训练与优化经验，成为领域专家，可向技术专家或技术管理方向发展
- 参与核心模型迭代，有机会发表论文、参与开源，提升行业影响力
- 随着大模型技术演进，可向 AI 架构师、技术负责人等高级岗位发展
- 负责文心 Lite 模型在具体应用场景下的后训练，包括数据构造、策略调优与效果评估，确保模型在真实业务中稳定落地
- 搭建评估体系与归因分析，通过消融实验和指标分析定位问题，驱动模型迭代优化
- 参与中训练与预训练的数据策略设计，提升基座模型在数学、代码、agent 等方向的能力
- 建设数据生产与自动化评估基础设施，使数据策略收益可量化、可复现
- 扎实的机器学习/深度学习基础，熟悉 Python 和主流框架（PaddlePaddle、PyTorch）
- 对大语言模型技术栈有深入理解，至少精通预训练、SFT、偏好对齐、蒸馏等一个环节
- 具备数据敏感度和大规模数据处理经验（Spark/Hadoop等），擅长 badcase 归因
- 具备实验设计与问题定位能力，习惯用消融实验和指标分析驱动决策
申请策略
- 了解百度文心大模型的产品方向，在面试中展示对业务场景的理解
- 准备一个完整的项目案例，展示从问题定义到解决方案的闭环
- 突出大模型相关项目经验，如 SFT、RLHF、模型蒸馏等
- 强调数据处理与评估体系建设的实际案例，展示量化成果
- 展示实验设计与归因能力，如消融实验、AB 实验等
- 如有论文或竞赛成绩，务必突出
- 熟悉 PaddlePaddle 框架，了解文心模型技术栈
- 补充大规模数据处理经验，如 Spark、Hadoop
面试指南
- 采用 STAR 法则：情境、任务、行动、结果，清晰展示项目经历
- 对于技术问题，先阐述原理，再结合实践经验，最后总结方法论
- 对于开放性问题，展示逻辑思维和系统性思考，从数据、模型、评估等多角度分析
- 请详细描述你参与过的一个大模型训练项目，包括数据、模型、训练策略和效果
- 如何设计一个评估集来评估模型在特定场景的效果？
- 当模型效果不佳时，你会如何定位问题？请举例说明
- 你如何平衡模型效果、时延和成本？
- 你对 DPO 和 RLHF 的理解是什么？在什么场景下选择哪种？
职位点评
76
综合评分
大厂前沿算法岗，技术成长快，薪资竞争力强，但工作强度大，WLB 一般。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
适合追求技术成长、对 AI 大模型有热情，能接受高强度工作的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展95
工作生活40
使命价值85
薪资福利
80较高
百度作为大厂，薪资福利有竞争力，但具体薪资未披露，需面议。
薪资信号面议 (40K-70K/月)
成长发展
95较高
岗位涉及大模型训练全流程，技术前沿，成长空间大，且公司提供良好的发展平台。
技术前沿前沿/新兴技术
技术栈大语言模型、SFT、DPO、RLHF、模型蒸馏、PaddlePaddle、PyTorch、Spark、Hadoop
业务类型profit_center
工作生活
40较低
工作地点在北京，需现场办公，未提及弹性工作，互联网公司通常加班较多。
工作模式仅现场办公
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
85较高
大模型是当前高速增长赛道，对行业有较大影响，工作具有使命感。
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