
Sr. Researcher, Model & Agent Evolution
发布于 27 分钟前普通员工/个人贡献者
值不值得投
综合评分 75
前沿大模型与 Agent 自进化研究岗,技术成长和影响力强,办公灵活性未披露
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
8.0万
比AI算法中位数高
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 360 个在招 · 其中AI算法 12 个
市场机会
选择面较广
北京 · AI算法 · 约 240 个在招
职位详情
关于这个职位
该职位面向下一代大模型与 Agent 技术,重点研究模型持续学习、自主进化、经验学习和 World Model 等前沿方向
最低要求
计算机科学、人工智能、机器学习等相关领域硕士及以上学历,博士优先
工作职责
前沿研究与方向开拓:负责模型与 Agent 自进化领域的前沿技术研究,探索 Continual Learning、Self-Evolving AI、Agentic RL 等新兴研究方向,提出具有创新性和长期价值的研究课题,建立新的研究方法与技术范式
优先资格
在 Continual Learning、Lifelong Learning、Self-Evolving Models、Recursive Self-Improvement、Agentic RL、World Model 等方向取得有影响力的研究成果
AI 洞察
优缺点分析
优点
- 研究方向聚焦大模型与 Agent 自进化,属于 AI 前沿领域,技术探索空间大
- 岗位强调真实业务场景和端侧智能落地,研究成果有机会转化为实际产品和客户价值
- 职责覆盖研究创新、项目领导、专利论文和外部影响力建设,适合希望综合发展的高级研究人才
- 联想具备多场景业务基础,能为模型与 Agent 的持续学习和真实环境验证提供应用土壤
- 自进化、持续学习和 World Model 等方向技术难度高,研究不确定性强,需要长期投入和高质量实验验证
- 岗位既要求前沿研究突破,也要求业务价值落地,需要在探索性和结果导向之间取得平衡
- 适合具有大模型、强化学习或 Agent 研究背景,且希望将前沿算法研究推进到真实业务场景的高级研究型人才
缺点 / 挑战
- 需要主导跨团队项目并产出论文、专利和技术影响力,对沟通协调和成果沉淀要求较高
角色解读
- 可向资深研究员、首席研究员或前沿 AI 研究负责人方向发展,持续深耕模型自进化和 Agent 智能
- 也可转向技术管理,负责更大规模的研究团队、跨部门技术路线和产业级 AI 平台建设
- 由于岗位强调论文、专利和业务转化,未来也有机会形成学术影响力与产业落地并重的职业路径
- 开展大模型与 Agent 自进化方向的前沿研究,包括持续学习、经验学习、长期记忆、World Model 和 Agentic RL
- 设计新的算法、模型架构和训练机制,解决模型在真实环境中持续适应、决策和可信优化的问题
- 主导跨团队研究项目,从研究目标、技术路线到成果落地和业务价值负责
- 推动论文、专利、技术报告和开源成果产出,并与外部技术社区开展交流合作
- 需要扎实的大模型训练与优化能力,熟悉 SFT、RL、RLHF、PPO、GRPO、Online Learning 等方法
- 需要在持续学习、智能体、强化学习或自进化模型方向有深入研究积累,并能独立提出研究问题
- 需要具备 Python、PyTorch 工程能力,能够完成算法设计、实验分析和原型实现
- 需要较强的技术领导力、业务洞察力和跨团队沟通能力,能把业务问题转化为研究课题并推动落地
申请策略
- 申请前建议梳理联想在端侧智能、企业级 AI 和智能设备场景中的业务布局,思考研究如何与这些场景结合
- 面试中应重点展示“研究问题定义—方法创新—实验验证—业务落地”的完整闭环能力
- 突出在大模型、持续学习、强化学习、Agent 或自进化方向的研究成果,尤其是可量化的方法改进和实验结论
- 列出在 NeurIPS、ICML、ICLR、ACL 等会议发表的论文、专利、技术报告或开源项目,并说明个人贡献
- 强调主导大型或跨团队研究项目的经历,包括技术路线制定、团队分工、关键决策和最终业务效果
- 补充业务转化案例,说明如何将客户需求或复杂业务问题转化为研究课题并推动落地
- 强化 SFT、RLHF、PPO、GRPO、Online Learning 等训练优化方法的系统理解,并准备相关实验细节
- 补齐 Fast & Slow Memory、长上下文学习、经验学习、World Model 和可信自进化等方向的最新论文脉络
面试指南
- 回答研究类问题时,可采用“背景痛点—现有方法不足—你的核心假设—方法设计—实验验证—局限与下一步”的结构
- 回答项目领导类问题时,用“目标拆解—技术路线选择—团队协同—风险识别—结果复盘”的框架,突出决策过程和影响力
- 回答业务转化问题时,按照“业务场景—关键约束—研究抽象—落地路径—价值指标”展开,避免只谈算法不谈价值
- 你如何定义 Self-Evolving AI 或 Agent 自进化?它与传统持续学习、在线学习的区别是什么?
- 请介绍一个你主导过的大模型或 Agent 研究项目,包括技术路线、关键难点、实验设计和最终成果
- 在模型持续学习中,如何缓解灾难性遗忘?你会如何设计可评估、可归因、可验证的优化机制?
- 如何将真实业务场景或客户需求转化为有价值的研究问题,并衡量其业务影响?
- 请谈谈你对 World Model、Agentic RL 或长期记忆机制未来发展方向的理解
职位点评
薪资福利
JD 未披露薪资与福利信息,因此无法直接判断薪酬竞争力;但从高级研究定位、长年限要求与跨团队职责看,岗位层级较高,通常对薪资动机有较好吸引力。
成长发展
岗位明确聚焦 Continual Learning、Self-Evolving AI、Agentic RL、World Model 等前沿方向,并要求论文、专利、技术报告和跨团队研究领导,发展性非常强。
工作生活
JD 仅明确工作地点为北京,未提及远程、弹性、双休或加班信息,因此生活化动机满足程度无法得到充分支持。
使命价值
岗位围绕下一代智能模型与 Agent 技术、可信自进化和真实业务价值展开,具有较强的技术探索价值和产业应用意义,但 JD 未直接强调社会使命或公共价值。
联想 的其他在招职位
Advisory Researcher, On-Device Model & Agent Efficiency
联想 · 北京市AI 估算 · 3.5–6.5万Advisory Researcher, Omni & Multimodal Interaction Researcher
联想 · 北京市AI 估算 · 3.5–6.5万[LPS] Bid Manager
联想 · 香港特别行政区AI 估算 · 2.5–4.5万AI互连通信资深研究员
联想 · 北京市AI 估算 · 4.5–7.5万Sr. Researcher, Omni & Multimodal Interaction Researcher
联想 · 北京市AI 估算 · 6.0–10.0万