顺丰大模型算法工程师-群体智能方向（博士后）

业务介绍 聚焦物流供应链，研发多智能体群体智能技术，搭建仿真平台，赋能机器人协同、运输调度等场景降本增效。 岗位内容： 设计多智能体协同框架，研究群体演进机制，构建物流仿真平台并验证技术效果。

1. 面向Agentic OS，参与端侧大模型架构设计与训练、训推一体的端侧大模型新架构探索落地与跨场景执行能力的系统级Agent算法体系建设；目标为通过算法与硬件的协同设计，在极小的功耗和内存预算下，实现极致的模型性能。 2. 负责大语言模型、多模态大模型在端侧场景下的继续预训练（CPT）、后训练（SFT, OPD, RL等）及持续学习，构建从数据清洗到模型落地的全链路训练pipeline。 3. 针对端侧芯片和内存特性，设计新型模型结构，探索参数共享与稀疏化方案。 4. 主导量化感知训练（QAT），实施低比特量化（如INT4/INT8），在保证精度的前提下压缩模型体积与显存占用。 5. 运用知识蒸馏（Knowledge Distillation），将云端大模型（Teacher）的能力迁移至端侧小模型（Student），攻克“大改小”的能力衰减难题。 6. 建立端侧模型评测体系，不仅关注准确率，更关注首字延迟（Prefill）、生成速度（Decoding）、功耗峰值等硬性指标。 7. 前沿技术探索与成果产出，建立Agentic OS的算法创新壁垒，推动顶级会议论文与核心专利产出。

1.研究实现AGI的关键能力，通过技术愿景驱动研究工作。负责大语言模型和多模态大模型的训练和优化（包括预规划、后训练等）长期课题的研究，提升大语言模型的能力，并在广泛业务场景中产生价值。 2.负责LLM训练相关的工作，包括后预训练、Instruction Tuning以及强化学习等； 3.深入参与数据及评估体系建设、大规模训练、指令微调、偏好对齐、模型优化等关键工作； 4.探索大模型底层技术突破，深入大模型基础架构前沿研究（如MoE、注意力机制、x等），探索新型架构和技术创新。

1、负责多模态大模型内容风控场景中的算法研究、模型训练与业务落地。面向内容风控场景频繁对抗攻击、AIGC违规变体、隐晦风险场景等难点，持续提升复杂场景的识别效果与响应效率。 2、负责面向内容风控场景的 Agent智能体系统研发，支持安全识别链路自主规划、安全工具调用、大小模型协同、风险发现与智能迭代，提升对新型违规内容的主动发现与响应能力。 3、负责大模型与agent算法压缩、加速与部署，优化服务性能与并发能力。负责大模型与Agent的自我反思与持续学习机制与解决方案设计，不断基于反馈敏捷增量提升识别能力。 4、根据大模型与agent领域的最新技术进展，探索其在内容风控场景的价值，持续提升面向复杂场景的内容风控识别效果。