长鑫存储测试平台应用开发工程师 | Test Platform Application Development Engineer(J15731)

1. 参与半导体测试相关软件或算法（如自动化测试、数据分析平台等）的需求分析、架构设计和代码开发； 2. 编写高质量、可维护的代码，完成模块开发、单元测试及系统集成测试； 3. 维护和升级现有软件系统/算法，跟踪和修复缺陷并提升性能，优化生产控制逻辑或数据处理流程等； 4. 编写技术文档，包括设计文档、接口文档及用户操作手册等； 5. 跟踪行业技术趋势（如 AI、大数据处理等），探索新技术在半导体测试中的应用。

1.设计、开发及测试硬设备上的运行韧体​； 2.体开发与设计：负责撰写并优化硬设备所需的韧体程序，确保韧体能正确控制硬件运作，并达到设计要求； 3.系统测试与除错：在开发过程中，韧体工程师会进行多次测试，确保韧体的稳定性和功能性，并在发现问题时进行除错和修复，以确保产品质量； 4.韧体与软件整合：韧体工程师必须与硬件和软件伙伴合作，确保韧体与硬件、操作系统以及应用程序的无缝整合，并进行系统整体性能的优化​； 5. 能独立设计和搭配软硬件测试平台，仿真组件动作产生出电压电流和光纤等信号转换测显示在测试平台。

Team Introduction: TikTok Content Security Algorithm Research Team The International Content Safety Algorithm Research Team is dedicated to maintaining a safe and trustworthy environment for users of ByteDance's international products. We develop and iterate on machine learning models and information systems to identify risks earlier, respond to incidents faster, and monitor potential threats more effectively. The team also leads the development of foundational large models for products. In the R&D process, we tackle key challenges such as data compliance, model reasoning capability, and multilingual performance optimization. Our goal is to build secure, compliant, and high-performance models that empower various business scenarios across the platform, including content moderation, search, and recommendation. Research Project Background: In recent years, Large Language Models (LLMs) have achieved remarkable progress across various domains of natural language processing (NLP) and artificial intelligence. These models have demonstrated impressive capabilities in tasks such as language generation, question answering, and text translation. However, reasoning remains a key area for further improvement. Current approaches to enhancing reasoning abilities often rely on large amounts of Supervised Fine-Tuning (SFT) data. However, acquiring such high-quality SFT data is expensive and poses a significant barrier to scalable model development and deployment. To address this, OpenAI's o1 series of models have made progress by increasing the length of the Chain-of-Thought (CoT) reasoning process. While this technique has proven effective, how to efficiently scale this approach in practical testing remains an open question. Recent research has explored alternative methods such as Process-based Reward Model (PRM), Reinforcement Learning (RL), and Monte Carlo Tree Search (MCTS) to improve reasoning. However, these approaches still fall short of the general reasoning performance achieved by OpenAI's o1 series of models. Notably, the recent DeepSeek R1 paper suggests that pure RL methods can enable LLM to autonomously develop reasoning skills without relying on the expensive SFT data, revealing the substantial potential of RL in advancing LLM capabilities. 团队介绍： 国际化内容安全算法研究团队致力于为字节跳动国际化产品的用户维护安全可信赖环境，通过开发、迭代机器学习模型和信息系统以更早、更快发掘风险、监控风险、响应紧急事件，团队同时负责产品基座大模型的研发，我们在研发过程中需要解决数据合规、模型推理能力、多语种性能优化等方面的问题，从而为平台上的内容审核、搜索、推荐等多项业务提供安全合规，性能优越的基座模型。 课题介绍: 课题背景： 近年来，大规模语言模型（Large Language Models, LLM）在自然语言处理和人工智能的各个领域都取得了显著的进展。这些模型展示了强大的能力，例如在生成语言、回答问题、翻译文本等任务上表现优异。然而，LLM 的推理能力仍有很大的提升空间。在现有的研究中，通常依赖于大量的监督微调（Supervised Fine-Tuning, SFT）数据来增强模型的推理性能。然而，高质量 SFT 数据的获取成本高昂，这对模型的开发和应用带来了极大的限制。 为了提升推理能力，OpenAI 的 o1 系列模型通过增加思维链（Chain-of-Thought, CoT）的推理过程长度取得了一定的成功。这种方法虽然有效，但在实际测试时如何高效地进行扩展仍是一个开放的问题。一些研究尝试使用基于过程的奖励模型（Process-based Reward Model, PRM）、强化学习（Reinforcement Learning, RL）以及蒙特卡洛树搜索算法（Monte Carlo Tree Search, MCTS）等方法来解决推理问题，然而这些方法尚未能达到 OpenAI o1 系列模型的通用推理性能水平。最近deepseek r1在论文中提到通过纯强化学习的方法，可以使得 LLM 自主发展推理能力，而无需依赖昂贵的 SFT 数据。这一系列的工作都揭示着强化学习对LLM的巨大潜力。 课题挑战： 1、Reward模型的设计：在强化学习过程中，设计一个合适的reward模型是关键。Reward模型需要准确地反映推理过程的效果，并引导模型逐步提升其推理能力。这不仅要求对不同任务精准设定评估标准，还要确保reward模型能够在训练过程中动态调整，以适应模型性能的变化和提高。 2、稳定的训练过程：在缺乏高质量SFT数据的情况下，如何确保强化学习过程中的稳定训练是一个重大挑战。强化学习过程通常涉及大量的探索和试错，这可能导致训练不稳定甚至模型性能下降。需要开发具有鲁棒性的训练方法，以保证模型在训练过程中的稳定性和效果。 3、如何从数学和代码任务上拓展到自然语言任务上：现有的推理强化方法主要应用在数学和代码这些CoT数据量相对丰富的任务上。然而，自然语言任务的开放性和复杂性更高，如何将成功的RL策略从这些相对简单的任务拓展到自然语言处理任务上，要求对数据处理和RL方法进行深入的研究和创新，以实现跨任务的通用推理能力。 4、推理效率的提升：在保证推理性能的前提下，提升推理效率也是一个重要挑战。推理过程的效率直接影响到模型在实际应用中的可用性和经济性。可以考虑利用知识蒸馏技术，将复杂模型的知识传递给较小的模型，以减少计算资源消耗。另外，使用长思维链（Long Chain-of-Thought, Long-CoT）技术来改进短思维链（Short-CoT）模型，也是一种潜在的方法，以在保证推理质量的同时提升推理速度。

高级游戏测试自动化架构师（AI测试工具平台方向） 岗位职责: 对来自内部工作室测试需求进行分析、评审，负责设计有效的测试方案 与研发团队共同设计并交付测试工具方案 使用AI技术在游戏测试领域的应用，并创新出符合工作室测试需求的解决方案 About Tencent Overseas IT and Cloud CoE: Tencent Overseas IT has the mission to empower Tencent’s rapid global growth with future ready, global IT platforms, applications, and services. We are chartered to lead the Overseas IT strategy, architecture, roadmap, and execution. Satisfying our internal/external customers and becoming a world class global IT team are our top aspirations.  Cloud Center of Excellence team is part of Tencent Oversea IT. The team will laser focus on providing infrastructure, best practice to enable Tencent’s tens oversea game studios.  The team will partner with game studios to define and deliver the best cloud and on-premises infrastructure for both game production and game runtime workloads. You will work for our strategic Cloud-enable Studio project which aims to transform the game studios from traditional on-premises environment to next generation distributed and remote accessible virtual studio empowered by the latest cloud technology. Work Location: China-Shanghai | China-Shenzhen