稀宇科技
大模型算法工程师-预训练-2027届校招
大模型算法工程师-预训练-2027届校招
发布于 大约 14 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Deepspeed
Megatron
Pytorch
Scaling Law
分布式训练
大语言模型
数据工程
模型评测
预训练
值不值得投
76综合评分
综合评分 76
前沿大模型预训练岗位，技术成长性强，薪资有竞争力，但WLB和办公灵活性未明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
20K
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
92 个在招 · 其中机器学习工程 2 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 350 个在招
职位详情
关于这个职位
作为大模型算法工程师，你将参与MiniMax通用大模型的预训练体系建设，负责数据构建、训练策略优化、模型能力提升等核心工作，推动大语言模型在代码、数学、推理等关键能力方向的发展
最低要求
熟悉机器学习 / 深度学习基础，有扎实的算法和工程能力，具备良好的实验分析和代码实现能力
对大模型预训练、数据工程、训练稳定性、scaling law、模型评测等方向有兴趣或经验
有较强的问题拆解能力，能从实验现象中找到关键变量并持续迭代
对前沿技术保持好奇，愿意在高不确定性问题中探索
工作职责
参与大语言模型预训练 / mid-training 相关工作，包括数据构建、训练策略、模型能力分析与迭代
设计和优化高质量预训练数据体系，包括数据清洗、去重、配比、质量评估和数据飞轮建设
围绕代码、数学、推理、长上下文、agent 等关键能力方向，推进模型能力提升
建立训练过程中的评测与诊断方法，定位模型能力短板并推动数据和训练方案优化
与 infra、后训练、产品和评测团队协作，将前沿研究快速落到真实模型迭代中
优先资格
有 LLM 预训练、mid-training、SFT/RLHF、agent、code model 或长上下文相关经验
熟悉 Megatron、DeepSpeed、PyTorch、分布式训练或大规模数据处理
有高质量论文、开源项目、竞赛或工业界大模型项目经验
AI 洞察
优缺点分析
优点
- 技术前沿，直接参与大模型底层建设，能接触最新AI研发
- 公司处于成长期（B轮），有较大技术探索空间和成长机会
- 跨团队协作，能全面了解模型从训练到应用的全链路
- 技术难度高，需要持续跟踪前沿研究并解决不确定性问题
- 作为校招岗位，需要快速适应工业界大规模模型训练的实际环境
- 适合对大模型底层技术有浓厚兴趣、喜欢探索前沿问题、具备扎实工程基础的应届或初级算法工程师
缺点 / 挑战
- 项目具有挑战性，能快速提升解决复杂问题的能力
- 预训练工作对计算资源和工程能力要求高，可能面临性能优化压力
角色解读
- 可成长为高级算法工程师或技术专家，深入大模型核心研发
- 向AI研究科学家或技术负责人方向发展，引领模型能力创新
- 或转向应用研发，将大模型能力落地到产品中
- 参与大语言模型的预训练和中期训练，负责数据构建与训练策略优化
- 设计高质量预训练数据体系，包括数据清洗、去重、配比和质量评估
- 针对代码、数学、推理等关键能力方向推进模型能力提升
- 建立评测与诊断方法，定位模型短板并驱动优化
- 扎实的机器学习/深度学习基础和算法工程能力
- 熟悉大模型预训练、数据工程、scaling law等相关方向
- 较强的问题拆解和实验分析能力，能从现象中迭代优化
- 对前沿技术保持好奇，适应高不确定性探索环境
申请策略
- 研究MiniMax公司及其大模型产品，了解其技术路线和业务方向
- 在申请时突出对预训练技术的热情，说明为什么对模型底层能力感兴趣
- 突出机器学习/深度学习项目经验，尤其是与大模型、预训练相关的实践
- 展示扎实的算法和代码能力，如参与开源项目、论文发表或竞赛成绩
- 强调数据工程、分布式训练或模型评测等相关技能
- 体现问题拆解和迭代优化能力，通过具体案例说明
- 深入学习大模型预训练技术，如阅读相关论文（如GPT、LLaMA系列）
- 掌握分布式训练框架（如PyTorch、Megatron、DeepSpeed）的使用和优化
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化回答，结合具体项目经验
- 技术问题分点阐述，展示逻辑性和深度，如先定义概念再说明应用
- 对于开放性问题，强调思考过程、权衡因素和持续迭代的思路
- 你如何设计一个高质量的大模型预训练数据集？请从数据清洗、去重、配比等方面说明
- 请解释scaling law是什么，以及在大模型训练中如何应用它来优化性能？
- 你如何评估和诊断大模型在预训练过程中的能力短板？举例说明你会采取哪些步骤
- 描述一个你参与的机器学习项目，如何从实验现象中分析问题并迭代改进
- 你对LLM预训练中的分布式训练有什么了解？如何解决训练稳定性问题？
职位点评
薪资福利75
成长发展90
工作生活50
使命价值80
薪资福利
75中等
该职位为校招算法工程师，薪资估算在一线城市有竞争力，但未明确福利细节，补偿性动机满足程度中等。
薪资信号偏高 (15K-25K/月)
成长发展
90较高
职位涉及大模型预训练等前沿技术，有明确的技能成长和项目实践机会，发展性动机满足程度高。
技术前沿前沿/新兴技术
技术栈大语言模型、预训练、PyTorch、分布式训练、scaling law
业务类型ambiguous
工作生活
50较低
JD未提及办公模式、工作时间或WLB相关信息，生活化动机满足程度有限。
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
80较高
AI大模型领域处于高速增长赛道，技术具有创新性，但未明确社会使命或影响力，意义感动机满足程度中等偏高。
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