岗位职责：

针对垂直场景设计大模型的领域微调方案，提升模型在特定任务中的准确性和效率；

探索高效微调技术（如LoRA、Adapter、Prompt Tuning）和强化学习技术（如GRPO、PPO、DPO），进行大模型的领域适配；

主导大模型的知识蒸馏（Knowledge Distillation）技术，设计师生模型架构并优化蒸馏策略，从大模型向专用小模型迁移能力；

实现模型量化（FP16/INT8/二值化）及动态量化方案，平衡精度与推理速度；

开发轻量化模型，结合剪枝、低秩分解等技术优化模型结构；

跟踪大模型轻量化领域前沿技术（如Diffusion模型压缩、动态网络架构），推动团队技术迭代；

协同数据团队设计高质量微调数据集，提供算法层面的业务支持。

招聘要求：

精通PyTorch/TensorFlow框架，深入理解大模型训练流程（预训练、SFT、RLHF）；

掌握模型压缩全栈技术：知识蒸馏、量化、剪枝、低秩分解，熟悉业界工具；

熟悉轻量化模型设计范式（如NAS搜索、注意力简化、参数共享），具备从0到1构建专用小模型的经验；

透彻理解Transformer架构及其变体（如FlashAttention、稀疏Attention），能针对性优化计算效率；

熟悉分布式训练技术（数据/流水线/张量并行），具备多卡训练调优经验；

计算机科学、人工智能、应用数学等相关专业博士优先。

加分项：

发表过模型压缩、高效训练相关顶会论文（NeurIPS、ICML、ACL等）。

有多模态大模型（如CLIP、Stable Diffusion）轻量化实践经验。

参与过开源社区项目（如参与LLaMA.cpp、TensorFlow Lite优化贡献）。