研究工程师（中期训练）
岗位摘要
设计和迭代用于后期训练和退火训练运行的高质量数据混合方案，开发数据来源、过滤和加权的原则性方法，以增强模型能力而不降低通用性能；通过精心设计的数据策略和训练干预，推动编码、数学和长程推理方面的针对性改进，将研究见解转化为代理系统可衡量的能力提升
登录后保留你的岗位线索
邮箱登录后可继续查看完整职责、任职要求和原岗位入口，并使用收藏与浏览记录沉淀适合自己的机会。
岗位职责
- 设计和迭代用于后期训练和退火训练运行的高质量数据混合方案，开发数据来源、过滤和加权的原则性方法，以增强模型能力而不降低通用性能
- 通过精心设计的数据策略和训练干预，推动编码、数学和长程推理方面的针对性改进，将研究见解转化为代理系统可衡量的能力提升
- 开发和评估可大规模生成训练信号的合成数据管道，理解合成方法的局限性和失败模式，并构建能在生产训练中经得起考验的方法
- 研究和优化多阶段学习率调度、预热策略以及跨训练阶段的计算资源分配，理解调度选择如何与数据分布和模型行为相互作用
- 研究并实现扩展有效上下文长度而不损害短上下文性能的方法，包括位置编码策略、数据构建和针对性评估
- 构建能够区分真实能力提升与基准过拟合的评估体系，在训练决策与Devin及其他系统部署中的实际表现之间形成闭环
- 衡量中期训练干预措施随计算和数据规模扩展的效果，在现有方法遇到瓶颈时开发新方法，要求严谨的经验主义和原创思维
任职要求
- 对LLM训练流程有深入了解：预训练数据、优化、架构以及中期训练和后训练的交互方式
- 具备大型模型持续预训练、退火或后期数据混合的实践经验
- 对数据质量有强烈直觉：了解什么使数据集对训练有用，如何大规模过滤和整理数据，以及数据混合选择如何在评估中产生复合效应
- 有开发或评估用于能力提升的合成数据管道的经验
- 精通Python和深度学习框架（PyTorch），能够调试大规模分布式训练
- 在优化、统计学和机器学习理论方面有扎实基础，能够区分真实效果与噪声、不稳定性和过拟合
- 有原创贡献的记录：出版物、开源项目或对现有方法的显著改进
福利待遇
- 参与构建世界首个AI软件工程师Devin的核心团队
- 与来自Scale AI、Palantir、Cursor、Waymo、Tesla等顶尖AI公司的世界级人才共事
- 解决人工智能领域最具挑战性的问题，构建能对现实世界任务进行推理的AI
- 在模型流程中最高杠杆作用的环节之一拥有自主权和影响力
- 有机会推动从研究到生产的端到端训练决策
登录后查看完整岗位详情
使用邮箱验证码登录后，可查看完整职责、任职要求、原岗位入口，并继续使用收藏和浏览记录。列表摘要保持公开，完整详情用于保护数据质量和降低恶意抓取。