岗位职责：
1. 模型微调与优化
（1）独立针对业务场景开展模型指令微调、强化学习微调及参数高效微调（LoRA/QLoRA等）工作，制定合理的微调策略并落地执行；
（2）主导设计高质量微调数据集方案，包括数据来源筛选、清洗规则制定、标注标准定义、样本构造与质量评估，解决数据稀疏、噪声干扰等问题。
2. 训练与实验管理
（1）独立搭建、维护和优化模型训练环境，支持单机/分布式训练，负责训练任务的配置、执行、监控与故障排查，保障训练任务高效稳定运行；
（2）熟练使用实验跟踪与超参调优工具，设计合理的超参搜索空间，完成超参调优任务，对比分析实验结果，建立规范的实验管理与版本控制流程。
3. 端到端训练与评估
（1）独立完成端到端模型训练全流程，包括训练环境搭建、分布式训练配置、训练过程监控、超参动态调优，解决训练过程中的常见技术问题；
（2）设计自动化 人工结合的综合评估方案，制定贴合业务场景的评估指标，开发自动化评估脚本，持续跟踪模型业务效果，输出效果分析报告与优化方案。
4. 协作与沉淀
（1）配合部署团队将微调模型部署为稳定的推理服务，参与推理接口调试、性能测试与问题排查；参与Prompt工程、RAG流程优化，提升智能应用准确性；
（2）输出技术文档、微调报告与***实践指南，推动团队成果复用；协助指导初级工程师开展工作，解答基础技术问题，参与团队技术方案评审。

任职要求：
1.两至三年AI项目开发经验，具备独立负责大模型微调或行业模型落地子任务的实战经验，参与过完整的大模型项目流程（数据处理、模型训练、迭代优化到交付）。
2.技术能力
（1）精通Python，熟练使用PyTorch或TensorFlow框架进行模型开发、训练与调优，能独立搭建训练流程；
（2）熟悉常见大模型架构（Transformer、GPT、BERT等）及主流中/英文开源模型特性与适用场景，能根据业务需求选择合适模型；
（3）具备良好的数据敏感度，能独立从原始业务数据中提炼有效训练信号，设计数据清洗、增强及标注策略；
（4）注重代码规范、模块化设计，能构建可复现、可追溯的实验体系，能在有限算力资源下完成模型迭代；
（5）了解基础模型部署方式（如TensorRT、ONNX）及推理优化手段（如量化、剪枝），能完成基础模型部署与推理测试。
3.软性要求
（1）具备独立分析和解决问题的能力，能针对模型训练常见问题（过拟合、收敛慢等）提出优化方案；
（2）具备良好的跨团队协作能力，能高效对接业务、数据团队；
（3）具备一定的技术文档撰写能力，能输出清晰的技术方案与实验报告。