【Plan A】基模算法工程师-百灵

职位描述：

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。

职位要求：
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。