小红书【REDstar】可观测研发工程师

大模型AI Infrastructure团队专注于大语言模型领域的前沿技术研究和落地，提供高性能、高可靠、可扩展的机器学习系统、丰富的异构计算资源和极致的端到端的机器学习服务体验，为公司提供核心技术能力和服务。 1、负责机器学习框架的研究与开发，服务于公司各个产品； 2、高效部署，优化NLP/多模态大模型核心业务模型。

1、参与语言及多模态大模型的对齐技术研究与优化，聚焦于解决模型在复杂指令遵循、推理、幻觉、工具使用等问题中的表现瓶颈，提升模型的实用性与可靠性； 2、研究并理解模型能力与对齐之间的关系，探索更有效的对齐技术，包括可扩展的人类监督方法等，设计并执行复杂的理解性实验，分析大模型在不同数据分布和任务场景下的表现，发现并解决影响模型性能的关键问题； 3、开发和完善大模型的评测系统，对模型能力和对齐水平进行评测，识别并解决模型可能存在稳定性、安全和幻觉问题，利用多种方法分析、理解模型行为，并指导模型进行迭代； 4、与产品、工程、安全团队紧密合作，将研究成果有效落地，确保模型应用符合实际需求，并在关键技术上做到行业顶尖水平。

1、定性分析、定量评估数据质量，并给出 scalable 的改进方案，协助搭建多模态的数据流程； 2、搭建多模态的模型架构，在多种技术方案中找到 trade off 的关键，搭建更高效且可扩展的模型框架； 3、研究并改进多模态模型的 Scale Law，随着模型的变化给出 Large Scale 上的技术选择（例如参数/数据比、不同超参数设置等）。

文本大模型团队的主要负责小红书大语言模型的端到端全链路自研。主要研究方向包括: 1、持续探索大语言模型在不同阶段的高效scaling策略； 2、预训练的关键技术探索: 包括从数据策略(筛选，配比，合成，学习效率的提升)、优化技术、可解释性，到下一代模型结构的设计、long context建模、学习范式探索等； 3、通用alignment技术探索: 包括大规模RL的探索，持续提升大模型在通用能力、reasoning、长文本、agent、各方向中长尾知识等多个方向的综合能力，支撑更广泛的应用场景； 4、跟下游的多模态同学一起探索端到端全模态大模型的设计和高效scaling策略； 团队有充足的GPU计算资源，同时跟整个技术社区也有密切合作，开源开放。