哈啰出行
资深AI算法工程师-租车
资深AI算法工程师-租车
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机器学习工程
机器学习工程
Llm
Lora
Pytorch
Rlhf
Sft
Vllm
模型微调
值不值得投
80综合评分
综合评分 80
核心业务大模型落地岗，技术前沿且成长空间大，薪资竞争力强，但WLB未明确。
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。
薪资怎么样
4.8万
比机器学习工程中位数高
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 420 个在招
市场机会
选择面较广
上海 · 机器学习工程 · 约 370 个在招
职位详情
关于这个职位
该职位负责哈啰出行租车业务的小参数大模型选型、微调与工程落地，独立完成从数据构造、模型训练到线上推理服务的全链路闭环
你需要与业务和工程团队协作，将真实业务问题转化为可迭代的算法任务，持续优化线上效果并跟进前沿开源模型技术
最低要求
计算机、人工智能等相关专业本科及以上学历，3年及以上算法或机器学习工程经验，有完整项目从训练到上线的经历
熟悉 Transformer / LLM 原理，有小 B 模型（如 Qwen、Llama 等 7B–14B）微调实战经验，能独立完成数据准备、训练、评测与问题定位
具备工程能力：熟练使用 Python，了解 PyTorch
能写可维护的训练 / 评测代码，了解模型服务、批推理、量化或加速中的至少一类实践，能和后端一起把模型接到线上
具备基本的实验素养：会设计对照实验，能根据 bad case 反推数据或训练问题，而不是只报分数
工作职责
负责小参数量大模型的选型、微调与迭代，在效果、时延、成本之间做可落地的权衡，推动模型从实验走到线上
独立完成从数据到模型的闭环：训练数据构造与质检、SFT / 偏好对齐等后训练实验、离线评测与效果跟踪
参与模型工程落地：推理服务、评测与监控、训练与发布流水线，保证服务在延迟、吞吐、稳定性上满足生产要求
与业务、工程、数据同学协作，把真实问题拆成可训练、可评测、可迭代的算法任务，持续优化线上效果
跟进开源小模型与后训练方法，结合约束做技术选型，沉淀可复用的训练与评测能力
优先资格
有后训练相关经验者优先：SFT、DPO / ORPO / KTO、RLHF、GRPO，或大模型到小模型的蒸馏
能讲清楚数据质量、偏好信号、过拟合与评测设计等问题
加分项：熟悉 vLLM / SGLang、LoRA / QLoRA、多卡训练或推理优化
有开源训练框架（LLaMA-Factory、ms-swift、Axolotl 等）使用经验
AI 洞察
优缺点分析
优点
- 处于大模型落地应用的核心赛道，能积累从模型训练到工程部署的全链路实战经验
- 业务场景明确（租车），模型效果可直接衡量，容易产出实际业务价值
- 具备扎实算法基础与工程落地能力，对大模型微调及推理优化有浓厚兴趣，且希望在大模型业务落地中发挥价值的算法工程师
缺点 / 挑战
- 需要在效果、时延、成本之间做极致权衡，对工程能力和业务理解要求较高
- 大模型技术迭代极快，需要持续跟进开源社区和前沿论文，学习压力较大
角色解读
- 可向大模型算法专家、AI架构师方向发展，深耕模型训练与推理优化技术
- 或转型为AI业务负责人，主导核心业务场景的智能化升级与商业化落地
- 负责租车业务场景下小参数大模型的选型、微调与迭代，平衡效果、时延与成本
- 独立完成从数据构造、模型训练到线上推理服务的全链路闭环，并与业务团队协作将真实问题转化为算法任务
- 扎实的Transformer/LLM理论基础及小B模型（7B-14B）微调实战经验
- 熟练使用Python和PyTorch，具备模型服务、量化加速等工程落地能力
- 掌握后训练方法（SFT/RLHF等）及良好的实验设计与Bad Case分析素养
申请策略
- 了解哈啰出行租车业务的实际场景与痛点，思考大模型在其中的应用切入点
- 准备具体的项目案例，重点讲述如何平衡模型效果与线上推理成本
- 突出小参数大模型（7B-14B）的微调实战经验，特别是SFT、RLHF等后训练方法的应用
- 强调模型工程落地能力，如推理优化、量化加速及线上服务部署经验
- 展示完整的项目闭环经历，包括数据构造、评测设计及Bad Case分析
- 深入学习vLLM、SGLang等推理框架及LoRA/QLoRA等高效微调技术
- 熟悉主流开源训练框架（如LLaMA-Factory），提升多卡训练与分布式推理优化能力
面试指南
- 采用STAR法则，重点突出“问题定义-数据/算法策略-工程优化-业务收益”的完整闭环
- 在回答权衡类问题时，展示对业务指标（如成本、延迟）和技术指标（如准确率）的综合考量与取舍逻辑
- 请详细介绍一个你主导的小参数大模型微调项目，遇到了哪些数据或训练问题，如何解决的？
- 在模型工程落地中，你是如何平衡模型效果、推理时延和成本的？
- 请解释SFT和DPO/RLHF的区别，在什么场景下你会选择哪种后训练方法？
- 如果线上模型出现Bad Case，你的排查和迭代流程是怎样的？
- 复习Transformer底层原理及主流大模型架构，熟悉近期开源小模型（如Qwen、Llama）的特性
- 准备1-2个深度项目案例，能够清晰讲述数据质量把控、偏好信号设计及评测体系构建的细节
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
资深大模型算法岗在上海市场具有较高的薪资竞争力，薪资信号偏向中上水平。
薪资信号未披露（AI估算：3.5千–6万/月）
成长发展
90较高
处于大模型技术前沿，能深度参与从训练到落地的全链路，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、Transformer、PyTorch、SFT、RLHF、vLLM、LoRA
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与WLB信息，研发岗通常节奏较快，生活化动机满足度中等。
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
75中等
出行与租车行业属于成熟且稳定的民生服务领域，大模型赋能有助于提升出行效率与用户体验。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs