【Plan A】基模算法工程师-百灵-27届

岗位职责

Ling Team 聚焦百灵模型家族的核心算法创新。 我们关注的不只是 benchmark 指标，而是： 1.极限深度思考能力； 2.长程推理与规划能力； 3.Agentic 执行与真实世界决策； 4.在工业规模下可持续扩展的训练范式。 在万亿参数与百万亿 token 规模下，算法设计必须与系统规模协同演化。 本岗位将参与模型架构、预训练策略与强化学习范式的核心设计，推动模型能力边界的持续扩展。 我们寻找的不是只优化 loss 和 benchmark 的研究员，而是能参与定义下一代通用语言模型能力形态的人。

主要职责包括： 模型架构创新 1.设计与优化 Transformer / MoE / 混合 Attention 等架构； 2.探索高效计算结构与能力提升之间的 trade-off； 3.建模与验证 架构/超参/数据 Scaling Laws； 4.设计支持长上下文与深度思考的结构机制； 5.与系统团队协作完成架构级 co-design； 6.探索针对记忆机制的架构设计和训练方式。

超大规模预训练策略 1.设计大规模预训练目标，建立预训练模型能力的定量评估框架； 2.优化 optimizer、数据配比与编排策略； 3.构建 mid-training 与能力迁移机制； 4.在百万亿 token 规模下验证训练假设。

后训练与强化学习范式 1.优化基于 SFT / RLVR / Agentic RL / RLHF / distillation 的后训练范式； 2.构建“正确性 × 过程质量 × 信息密度”复合奖励机制； 3.优化 reasoning 与 tool-use 协同能力，实现周级别的长程工作能力； 4.推动强化学习在工业规模上的稳定训练； 5.设计 multi-agent RL 协同训练与工作范式。

任职要求

1. 扎实的深度学习与优化理论基础；
2. 深入理解 Transformer、MoE 与主流大模型架构；
3. 有大规模预训练或后训练实战经验；
4. 熟悉 SFT / RLHF / Alignment 等训练范式；
5. 能独立设计实验并进行严谨验证；
6. 能从第一性原理建模问题；
7. 对 scaling 与能力演化有系统性思考；
8. 能在复杂工程约束下做出算法决策。

加分项

1. 在顶会 / 顶刊发表过相关论文；
2. 有 MoE 或新型 Attention 设计经验；
3. 有 Agentic 模型或工具调用训练经验；
4. 有长上下文（100K+）能力训练经验；
5. 有跨学科背景（数理化生 / 医疗 / 金融 / 法律等）；
6. 有数据分布建模与数据 scaling 经验；
7. 参与过 100B 以上参数规模的模型训练；
8. 各类高水平竞赛金牌选手。

特色标签

100K+上下文、Agentic RL、Agent模型、distillation、MoE架构、Python、RLHF、RLVR、SFT、Transformer架构、万亿参数预训练、分布式训练、千亿参数、参加算法相关竞赛/获奖、参数扩展律、发表算法相关优秀论文、后训练强化学习、多智能体强化学习、多模态算法、大模型算法、大规模预训练、对话系统、对齐训练、工具调用智能体、并行计算、强化学习、扩展法则、数据扩展律、文本生成、智能体、有留学背景、模型结构、深度学习、混合注意力架构、百万亿token预训练、百亿参数、百灵大模型、百灵家族模型、网络结构、英美留学生、规模定律、训练框架、训练策略、记忆增强架构、记忆结构、记忆网络、语义理解、超大规模参数、超长上下文、长序列、长文本、预训练策略