理聘网-职位详情页，软件智能研究所 - AI 算法工程师

# 关于我们 在中关村人工智能研究院·软件智能研究所，我们承担重大国家项目与横向合作项目，面向真实复杂场景中的 AI 问题。 这里的算法工作并非“刷榜”或“单点模型优化”，而是从数据、模型、评测到落地的完整链路。每个项目的问题背景、数据形态、约束条件都可能完全不同。 # 这个角色是什么 你不会只是在调一个现成模型。 作为项目中的算法核心，你将直接参与问题定义，与客户、领域专家和工程团队一起，把一个模糊的“想要 AI 能做什么”，变成可训练、可评测、可交付的模型系统。 你需要理解任务本身，而不仅是模型；理解数据，而不仅是代码；理解评测，而不仅是 loss。 每个项目可能使用不同的模型范式、数据流程与工具链——这正是这个角色的挑战和价值所在。 你将在一个稳定的团队中工作，与算法研究人员、软件工程师紧密协作，共同完成从 0 到 1 的 AI 项目交付。 # 岗位职责 - 作为算法核心参与项目全周期：问题建模、数据处理、模型训练、评测设计与迭代 - 与客户及合作方进行技术对接，理解业务目标并转化为清晰的算法任务定义 - 独立完成或主导模型训练与优化（包括但不限于大模型微调、多模态模型、任务模型） - 设计并实施合理的评测方案，明确模型能力边界与改进方向 - 构建和维护数据处理、训练与评测流程，保证实验可复现、结果可解释 - 撰写算法方案、实验报告与技术文档，支撑项目决策与最终交付 # 我们在找什么样的人 我们不以学历、年资或“是否发过论文”作为筛选标准。 我们关心的是：你是否真的独立把模型训练过、评测过，以及你是如何思考和解决问题的。 真正做过模型训练 - 能够根据任务选择合适的模型结构、训练策略与工程方案，并说明原因 - 有从原始或半结构化数据出发，完成数据清洗、构建训练集的经验 - 熟悉常见模型训练流程：预训练 / 微调 / 指令微调 / 对齐等 - 有使用 Hugging Face 生态（Transformers、Datasets、Trainer 等）的实际经验 - 了解并使用过 LLaMA Factory、DeepSpeed、FSDP、LoRA / QLoRA 等工具或方法者优先 理解评测，而不是只看 loss - 能根据任务目标设计合理的评测指标与对照实验 - 理解自动评测与人工评测的适用边界 - 能分析模型失败案例，而不是只关注分数提升 对算法有“工程级”的理解 - 理解算力、显存、训练效率与效果之间的权衡 - 能在资源受限条件下做出可行方案 - 具备基本的实验管理、结果复现与版本控制意识 沟通与协作 - 能够与工程、产品、领域专家清晰讨论模型能力与限制 - 能把算法假设、评测结果与风险点讲清楚，而不是“黑盒正确” 自驱力与主动性 - 不依赖于被动分配的任务说明 - 能在问题模糊、数据不完美的情况下主动拆解问题、推进进展 学习能力与技术好奇心 - 面对新模型、新范式（如新型大模型、多模态、Agent 等）保持持续关注 - 不迷信某一种模型或方法，对“为什么有效 / 为什么无效”保持追问 AI 时代的算法工程师 - 熟练使用 AI 工具（如 Codex，Cursor，Claude Code）辅助算法开发与实验 - 理解大模型的能力边界与风险 - 对 AI 在真实场景中的落地问题有清醒认识与长期兴趣 # 优先条件 - 有完整的模型项目经验（从数据到训练再到评测与交付） - 有大模型微调、指令数据构建或评测体系设计经验 - 有高质量开源项目、技术博客或可公开的实验报告 - 有竞赛或实战背景（Kaggle、天池、真实业务项目等） - 有与工程团队协作，将模型部署或集成到系统中的经验 # 我们提供 - 参与国家级 AI 项目与真实复杂场景的机会 - 覆盖数据、模型、评测、系统的完整算法工程挑战 - 稳定且高水平的技术团队与合作氛围 - 与研究人员和工程专家密切协作、共同成长的环境 - 具有竞争力的薪酬与福利 # 欢迎附上 - 你负责或深度参与过的模型项目说明 - GitHub / Hugging Face / 技术博客 / Google Scholar 等能展示你实际工作内容的材料 - 你认为“最有价值的一次模型失败经验”（可简述） --- 我们不是在找“会用某个模型的人”，而是在找“能把 AI 真的做成系统、并知道它为什么有效的人”。