科大讯飞
AI研究算法工程师-后训练研究方向(J13375)
AI研究算法工程师-后训练研究方向(J13375)
发布于 大约 3 小时前普通员工/个人贡献者
合肥市 / 武汉市
无经验要求
全职员工
仅现场办公
硕士
研究与开发 (研发)
分布式训练
后训练
大语言模型
数据合成
机器学习
模型评测
深度学习
算法研究
自然语言处理
AI 估算 · 15k–25k
科大讯飞为上市大厂，校招硕士薪资处于行业中等偏上，合肥等城市生活成本较低，薪资具备竞争力。
职位详情
关于这个职位
该职位专注于大语言模型后训练算法研究，围绕代码、工具调用、智能体等核心能力构建完整技术体系
你将参与从训练数据、训练方法到评测分析的闭环迭代，跟踪前沿技术并推动模型效果持续提升
适合对LLM有强烈兴趣、具备扎实算法基础的应届硕士
最低要求
重点院校计算机科学、人工智能、自动化、电子信息、数学等专业毕业，硕士及以上学历
对大模型能力提升具有强烈兴趣，具备扎实的大模型算法和训练基础，能够持续跟踪论文和开源项目，并将研究思路转化为可验证的实验方案
有大语言模型微调、对齐、数据合成、模型评测或能力分析相关项目经历
具有扎实的编程和计算机基础，精通Python等语言，具备优秀的编程习惯和工程实现能力，熟悉Linux开发环境，熟练掌握Git及AICoding类常用研发工具
具备较强的实验设计和分析能力，能够通过对照实验、消融实验和 Bad Case 分析定位模型问题
具备良好的沟通协作能力、自驱力和责任意识，能够独立推进研究任务
工作职责
参与大语言模型后训练算法研究，围绕代码、工具调用、智能体、指令遵循、知识运用、复杂推理、长文本等核心能力，构建从训练数据、训练方法到评测分析的完整后训练技术体系，持续提升基座模型的通用能力和真实用户体验
建立“数据—训练—评测—分析—迭代”的闭环，通过消融实验、错误分析和归因分析识别模型能力瓶颈，推动训练数据迭代和模型效果持续进步
与数据工程师、Infra工程师等团队紧密协作，设计并落地复杂代码与智能体轨迹数据自动化Pipeline，系统性提升模型在代码工程、AI搜索、工具调用、任务规划等核心场景的表现
跟踪国内外大模型后训练领域的最新研究进展，复现并验证前沿方法，探索具有长期价值的新训练范式，研究并构建长程交互、任务规划、自我反馈与改进、拟人化等核心能力
优先资格
在算法编程竞赛、数学竞赛或其他相关机器学习比赛中取得过优异成绩
在 NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI 等机器学习或自然语言处理会议发表过高水平论文
有百亿参数以上模型或千卡以上分布式训练经验
AI 洞察
优缺点分析
优点
- 科大讯飞是AI行业领军企业，技术积累深厚，平台资源丰富
- 专注于大模型后训练前沿方向，技术成长空间大
- 团队氛围好，有导师指导，适合应届生快速成长
- 合肥等城市生活成本低，工作生活平衡较易实现
- 大模型领域竞争激烈，需要持续学习最新论文和技术
- 实验分析工作繁琐耗时，需要耐心和细致
- 校招面试难度高，需扎实的算法和编程功底
- 适合对LLM有浓厚兴趣、具备扎实编程和算法基础、愿意深耕技术的研究型应届生
缺点 / 挑战
暂无明显挑战项
角色解读
- 成长为LLM领域的算法专家，深入多模态、强化学习等方向
- 晋升技术负责人或架构师，带领团队攻克大模型技术难题
- 横向转型至预训练、AI应用等方向，拓宽职业路径
- 参与大语言模型后训练算法研究，设计训练数据和方法，提升模型在代码、推理等核心能力
- 建立数据-训练-评测-分析的闭环，通过实验和错误分析推动模型迭代
- 与数据、工程团队协作，开发自动化Pipeline，优化模型在智能体、工具调用等场景的表现
- 跟踪前沿研究，复现并探索新训练范式，如长程交互、自我反馈等
- 扎实的大模型算法基础，熟悉微调、对齐、数据合成等技术
- 精通Python，掌握Linux开发环境和Git等工具
- 具备实验设计和数据分析能力，能通过对照实验和错误分析定位问题
- 良好的沟通协作能力，能独立推进研究任务
申请策略
- 提前了解科大讯飞在AI领域的布局，特别是大模型产品（如星火）
- 准备一个自己相关的完整研究案例，展示从问题到实验的闭环
- 突出大模型相关项目经历，如微调、RLHF、数据合成等
- 强调编程和工程实现能力，附上GitHub链接或开源贡献
- 列出竞赛获奖或顶级会议论文，展示学术潜力
- 用具体案例体现实验设计和分析能力
- 深入学习Transformer、RLHF、DPO等核心算法
- 练习分布式训练框架（如DeepSpeed、Megatron），了解大规模训练
面试指南
- 用STAR法则描述项目：情境、任务、行动、结果，重点突出自己的贡献
- 从数据、模型、评估三个维度分析问题，结合具体案例和论文依据
- 先指出主流方法的优缺点，再提出自己的改进思路（如结合强化学习、多任务学习等）
- 请详细介绍你做过的大模型微调或对齐项目
- 如何设计实验评估模型在指令遵循上的性能？
- 后训练数据合成中有哪些关键注意事项？
- 如何处理模型在长文本推理中的不连贯问题？
- 你认为当前后训练方法有哪些局限性？如何改进？
职位点评
70
综合评分
科大讯飞校招AI算法岗，前沿大模型后训练方向，技术成长空间大，但工作弹性一般。
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。
更适合这类人
该职位最适合追求技术成长和前沿研究的发展型求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活50
使命价值70
薪资福利
60中等
科大讯飞作为上市公司，薪资福利在行业中具有竞争力，但校招具体薪资未说明，且各地城市薪资标准有差异。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
90较高
该岗位专注于大模型后训练前沿技术，技术成长空间极大，但JD未明确提及晋升路径或培训计划。
技术前沿前沿/新兴技术
技术栈大语言模型、后训练、Python、分布式训练
业务类型ambiguous
工作生活
50较低
仅现场办公，未提及弹性工作或居家政策，工作地点在科技园/产业园，通勤可能一般。
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
70中等
AI技术推动社会进步，行业高速增长，但JD未强调社会使命，创新性较强。
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