科大讯飞
大模型算法工程师-AIforScience(J14712)
大模型算法工程师-AIforScience(J14712)
发布于 3 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
Ai For Science
Deepspeed
Megatron-Lm
Nlp
Pytorch
Rag
Rlhf
多模态
大模型算法
值不值得投
75综合评分
综合评分 75
前沿大模型研发、技术成长空间大、聚焦AI for Science高价值场景，工作节奏需适应技术攻关期。
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
3.5万
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 210 个在招 · 其中人工智能 43 个
市场机会
选择面较广
合肥 · 人工智能 · 66 个在招
职位详情
关于这个职位
负责基于星火大模型基座，开展AI for Science方向的认知与大模型研发
涵盖预训练、微调、RLHF及推理优化等核心环节，构建科研领域数据集并探索RAG与Agent应用
同时追踪前沿技术，协同跨团队推动大模型在科研场景的落地与能力迭代
最低要求
硕士及以上学历，计算机、人工智能等相关专业，2年以上AI行业从业经历
对NLP等人工智能领域的最新进展、模型、算法有深刻理解，熟练掌握主流深度学习框架pytorch/tensorflow、大模型训练框架Deepspeed/Megatron-LM等多机多卡方案
具有良好的沟通能力和团队合作精神，认真负责，较强的逻辑思维能力，沟通能力较强，责任心强，吃苦耐劳，有强烈的上进心和责任感，能主动积极地面对工作，具备对AI研发及应用落地产业化的强烈热情
工作职责
基于星火大模型基座，从事“人工智能助力科学研究（AI for Science）”的相关工作，进行科研垂直领域的认知大模型和多模态大模型的设计、开发和优化，包括但不限于预训练、SFT、指令微调、RLHF、Prompt工程、模型评估、模型推理等
参与和负责大模型技术在科学研究场景中的应用，构建科研专用领域无监督和有监督数据集，并探索大模型RAG、Agent智能体等技术在科研场景的应用
探索大模型前沿方向，紧跟国内外优势团队和社区的技术发展，追踪前沿技术，形成系统算法/大模型解决方案，推动科研大模型能力不断提升
协同跨团队技术和业务同学团队合作，达成技术和业务目标
优先资格
发表过AI顶会论文优先
有百亿/千亿参数大模型训练调优及落地经验优先
AI 洞察
优缺点分析
优点
- 背靠头部AI企业核心产品线，接触百亿级参数大模型真实业务场景
- 技术栈前沿且完整，涵盖预训练到RLHF全链路
- AI for Science属高潜力交叉赛道，长期发展空间广阔
- 大模型底层训练与调优门槛极高，需持续跟进快速迭代的开源社区动态
- 科研场景数据获取与清洗难度大，落地验证周期较长
- 跨团队协作频繁，需兼顾技术深度与业务交付节奏
- 适合具备扎实深度学习基础、对大模型底层原理有浓厚兴趣，且愿意在AI for Science新兴领域长期深耕的技术型求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可沿大模型算法专家路线深耕，向首席科学家或技术负责人发展
- 也可横向拓展至AI for Science交叉学科应用，成为兼具算法深度与行业洞察的复合型技术领袖
- 聚焦AI for Science赛道，基于星火大模型进行科研垂直领域认知与大模型的预训练、微调及推理优化
- 构建高质量科研数据集，探索RAG与Agent技术在科学计算场景的落地
- 追踪前沿算法，输出系统化解决方案并推动产业化应用
- 精通PyTorch/TensorFlow及DeepSpeed/Megatron-LM分布式训练框架
- 深入理解NLP、大模型架构、RLHF及多模态技术
- 具备百亿/千亿参数模型训练调优实战经验
- 熟悉科研数据构建与RAG/Agent开发流程
申请策略
- 提前了解科大讯飞星火大模型的技术演进路线
- 准备针对科研场景的数据处理与模型评估方案设计思路
- 突出大模型训练/微调实战项目，量化参数量、算力规模及性能提升指标
- 详细列出掌握的分布式训练框架及解决过的OOM/通信瓶颈问题
- 展示顶会论文或开源社区贡献
- 强化DeepSpeed/Megatron-LM底层配置与调试能力
- 补充多模态对齐与Agent框架实战经验
- 关注AI for Science在材料、生物等领域的具体应用案例
面试指南
- 采用STAR法则结构化阐述项目背景、任务目标、行动细节（突出技术选型与调优策略）及可量化的业务/技术指标成果
- 针对系统设计题，先界定边界条件，再分模块给出架构方案，最后讨论权衡与备选方案
- 请详细描述你参与的大模型训练/微调项目，遇到的最大技术挑战及解决方案？
- 如何设计科研垂直领域的数据集构建与清洗流程？
- 针对百亿参数模型的多机多卡训练，如何进行显存优化与通信加速？
- RAG在科研问答场景中容易遇到哪些幻觉问题，你如何评估和优化？
- 复习Transformer架构、Attention机制及主流大模型训练技巧
- 梳理个人项目中关于数据质量管控、模型评估指标设计的完整逻辑
职位点评
薪资福利75
成长发展85
工作生活60
使命价值80
薪资福利
75中等
合肥地区AI算法岗薪资具备竞争力，结合上市公司背景与核心技术岗位定位，整体薪酬福利处于市场中上水平。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
85较高
岗位直接参与百亿级大模型研发与AI for Science前沿探索，技术栈领先且业务场景新颖，内部培训与晋升通道明确，成长空间广阔。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、DeepSpeed、Megatron-LM、RLHF、RAG、Agent
业务类型ambiguous
工作生活
60中等
算法研发岗位通常面临一定的技术攻关压力，JD未明确提及弹性工时或远程政策，整体工作节奏可能偏紧凑。
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
80较高
聚焦AI for Science方向，致力于将大模型技术赋能科学研究，具有明确的学术价值与社会意义，契合追求技术使命感的求职者。
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
科大讯飞 的其他在招职位
相似职位推荐
Watch Jobs