中兴通讯
AI算法资深专家（垂域大模型）
AI算法资深专家（垂域大模型）
发布于 大约 11 小时前普通员工/个人贡献者
西安市
高级经验
全职员工
仅现场办公
硕士
机器学习工程
Deepspeed
Megatron
Moe
Nlp
Rlhf
分布式训练
多模态
大模型
强化学习
AI 估算 · 30k–50k
大模型资深专家需求旺盛，西安薪资略低于一线，结合中兴平台，预估30-50k/月。
职位详情
关于这个职位
该职位负责通信领域大模型的训练与优化，包括预训练、微调、RLHF后训练等，同时构建大规模数据处理流程
适合具有大模型研发经验、熟悉Megatron/DeepSpeed和数据处理技术的资深算法专家，你将加入中兴通讯，参与前沿技术落地，获得广阔发展空间
最低要求
教育与专业背景
）计算机、软件工程、人工智能、数学或相关专业的硕士及以上学历（博士优先）
年以上工作经验
）具备扎实的机器学习、深度学习理论基础，对大模型以及NLP、CV、多模态等相关领域有深入了解
后训练技术能力
）至少2~5年在大型深度学习模型或预训练模型（GPT、BERT等）领域的研发经验，有“模型微调、强化学习后训练”等实践经验者优先
）熟悉推理模型、Agentic模型等先进后训练技术，对其在不同业务场景的适用性与局限性有实际应用或项目经验
强化学习与模型优化
）扎实的强化学习基础，熟悉RLHF（基于人类反馈的强化学习）在大模型后训练过程中的应用
）能够定义并实施强化学习策略以优化生成质量、对话交互和模型稳定性，有相关项目交付经验
数据处理与管理
）具备大规模数据收集、清洗、标注以及数据治理能力，熟悉数据增强、迁移学习等常用方法
）能根据不同业务或场景的需求，对数据进行系统化分析（如数据分布、噪声处理），并制定合理的数据策略
工作职责
岗位职责：
垂域（通信）大模型的训练与优化
负责大规模通信大模型的预训练、微调及参数高效优化
探索模型压缩、分布式训练、低资源适配等技术
要求：熟悉大模型尤其是MOE大模型架构，精通Megatron、DeepSpeed等训练框架
精通大模型后训练/预训练和精调、微调技术研究、RLHF等强化学习方法
垂域数据处理与优化
构建从数据采集、清洗、评估、消融归因的全流程数据框架，辅助模型能力稳步提升
设计和优化PB级多模态多领域训练数据的解析、理解、筛选、改写、合成体系
设计面向通信领域的结构化数据处理流程，沉淀高质量知识库
基于业务场景，设计高质量高效率的数据生产流程，交付对模型有增益的数据
训练预标注和数据质控模型，不断提升数据生产效率和交付质量
优先资格
加分项：
）曾主导或深度参与过开源社区的NLP、RL相关项目，并具备一定的社区贡献或影响力
）在国际顶级期刊/会议发表过论文或拥有相关专利
AI 洞察
优缺点分析
优点
- 处于大模型前沿赛道，技术成长性强，积累稀缺经验
- 中兴通讯为巨头企业，平台稳定，资源丰富
- 涉及通信+AI交叉领域，职业壁垒高
- 工作强度可能较大，需跟进快速迭代的技术趋势
- 西安相比一线城市，前沿技术交流机会相对较少
- 适合有多年大模型研发经验、热爱技术攻坚、追求长期技术成长的资深算法工程师
缺点 / 挑战
- 对综合能力要求高，既要懂模型又要懂数据，挑战性强
角色解读
- 技术上可向大模型专家/首席科学家方向发展，深入核心算法研究
- 管理上可晋升为技术负责人或团队主管，带领团队攻关
- 跨领域发展，将通信与AI深度融合，成为行业稀缺复合型人才
- 负责通信领域大模型的预训练、微调和RLHF后训练，优化模型性能
- 设计并构建PB级多模态数据处理流水线，提升数据质量和模型效果
- 探索模型压缩、分布式训练、低资源适配等前沿技术
- 与业务团队协作，将大模型能力落地到通信场景中
- 精通大模型架构（如MOE），熟练使用Megatron、DeepSpeed等训练框架
- 具备扎实的深度学习、NLP、多模态理论基础，熟悉RLHF等后训练方法
- 掌握大规模数据处理、清洗、标注和治理方法，有数据增强经验
- 较强的工程能力，熟悉分布式训练和模型优化
申请策略
- 了解中兴通讯在通信大模型方向的产品布局，面试时展现对业务的理解
- 准备一个完整的项目案例，从问题定义、数据准备到训练优化全流程阐述
- 突出大模型训练和优化项目，量化成果（如模型指标提升、算力节省等）
- 强调RLHF、MOE、DeepSpeed等具体技术实践
- 展示数据处理能力，包括大规模数据管道构建和清洗经验
- 如有开源贡献或论文专利，务必突出
- 系统复习RLHF、DPO等后训练方法，并动手实验
- 熟悉Megatron、DeepSpeed的源码级优化技巧
面试指南
- 采用STAR法则：情境-任务-行动-结果，具体说明技术决策和效果
- 对比不同方案的优劣，突出你对权衡取舍的思考
- 结合通信领域场景，展示你将大模型落地到具体业务的思路
- 请讲讲你在大型预训练模型训练过程中的挑战和解决方案
- 你对RLHF的后训练流程如何理解？如何设计奖励模型？
- 大模型训练中遇到loss震荡或收敛问题，你会如何排查？
- 如何设计一套高效的PB级数据处理流水线？
- MOE架构相较于Dense模型有哪些优缺点？在什么场景下选择MOE？
职位点评
68
综合评分
前沿大模型技术岗，成长空间大，工作模式传统，薪资未明但平台强。
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
适合重视技术成长和前沿探索、对工作强度有心理预期、追求长期职业发展的资深算法人才。
表现最好
成长发展
相对薄弱
工作生活
薪资福利68
成长发展88
工作生活45
使命价值60
薪资福利
68中等
职位薪资未明确披露，但作为上市公司资深岗位，薪酬预期较好，稳定性高。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
88较高
大模型和RLHF属于前沿技术，岗位技能成长性强，但JD未明确提及晋升机制。
技术前沿前沿/新兴技术
技术栈大模型、MOE、Megatron、DeepSpeed、RLHF、多模态、分布式训练、数据处理
业务类型ambiguous
工作生活
45较低
JD未提及远程或弹性工作，默认现场办公，西安生活成本较低，但未明确加班情况。
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
60中等
通信领域大模型有行业应用价值，但社会影响力偏中性，创新性较强。
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
中兴通讯 的其他在招职位
相似职位推荐
Watch Jobs