顺丰大模型算法高级工程师-（智能体）
任职要求
具备大规模语言模型(LLM)或多模态大模型的预训练，指令微调(SFT)或对齐(RLHF)全流程实践经验。 对Transformer架构，缩放定律，大模型训练稳定性有第一手的技术洞察和实操经验。 精通Python，熟练掌握PyTorch框架，具备出色的工程实现与调试能力。 核心技能 扎实的机器学习基础，出色的数据敏感性和分析能力。 熟悉Linux开发环境，具备大规模分布式训练或高性能推理优化经验者…
工作职责
基座大模型研发与创新 参与设计并研发面向大规模多元时间序列的预训练基座模型，探索适用于时序数据的 Transformer变体(如Informer,FEDformer, PatchTST)及创新架构。 负责构建超大规模，高质量的时序预训练数据集，设计掩码重建，上下文预测等自监督预训练任务。 研究时间序列中的关键问题，如长周期依赖建模，多尺度特征提取，缺失值处理，以及时序与文本/事件等多模态信息的对齐与融合。 模型深度优化与领域适配 针对特定高价值场景(如电力负荷预测，量化金融，工业设备预测性维护)，对基座模型进行深度微调与优化，实现"通用能力"到"领域专家"的转化。 研发高效的模型适配技术(如参数高效微调 PEFT)，确保基座模型能够快速，低成本地适配到多样化的下游任务。 系统工程与高性能推理 负责将模型从研究原型推进到稳定，高性能的生产级系统。优化训练框架，利用混合并行(数据并行，模型并行，流水线并行)技术实现千亿参数模型的分布式训练。 主导模型的高效推理优化，应用量化(INT8/ FP4)，编译优化等技术，大幅降低服务延迟与资源消耗，支撑海量时序数据的实时预测需求。 技术前瞻与行业赋能 追踪时间序列分析，大模型预训练的前沿学术进展，并将有潜力的技术引入到产品研发中。 与业务团队紧密合作，深入理解行业痛点，将基座模型的强大能力转化为可衡量的业务价值，定义时间序列预测领域的新标准。 岗位要求 必备条件 计算机科学，人工智能，统计学或相关专业硕士及以上学历(博士优先).
岗位职责： 1. 负责制定大语言模型方向的技术战略与演进路线，持续引领团队在算法创新、系统部署、智能体架构等关键方向取得突破； 2. 全面统筹垂域大语言模型的研发、评估与部署生命周期，推动算法与系统能力的标准化、模块化和可复用建设； 3. 牵头在客服、销售、收派、运营、办公智能等核心领域构建智能体系统，重构关键业务流程，推动大语言模型的深度融合与落地应用； 4. 主导复杂业务问题的抽象建模，构建行业级、多任务、多场景的评估体系，覆盖模型精度、稳定性、安全合规等维度； 5. 制定并实施大语言模型系统性能优化策略，构建资源利用率高、弹性强的推理服务架构，提升模型部署效率与稳定性； 6. 引导团队围绕业务目标开展系统性大语言模型算法调研与分析，识别潜在问题与机会点，提出可落地的优化方案； 7. 紧跟大语言模型领域技术发展，持续输出行业趋势洞察，制定面向未来的技术路线与实施规划； 8. 管理算法团队，对团队成员进行技术引领、指导、职业发展辅导，保持团队先进性。
职位描述 1、负责人工智能大模型的研发工作， 研发基于大模型的AI搜索、用户理解、ChatBot、检索增强、导购助手等应用，确保产品的创新性与实用性 2. 深度参与AI搜索类产品建设工作，主导大语言模型（LLM/MLLM）的预训练、持续训练、SFT、RLHF 等技术，不断提升模型的性能与表现。 3. 推动 AI 应用落地搜索场景，深入分析业务需求，通过技术手段提升作业效率与用户体验； 4. 持续关注行业内人工智能技术的发展趋势，引入前沿技术并进行创新应用
负责企业大模型项目的落地交付，面向客户现场提供定制化算法解决方案。利用大模型与多智能体方法，针对具体业务需求进行算法设计、模型调优及效果验证。指导交付团队解决技术问题，确保方案高效、准确地实现。岗位工作涵盖算法应用、业务问题建模及客户方案交付。 主要工作内容： 1. 深入理解客户业务需求，提供可落地的AI解决方案 2. 基于大模型及多智能体方法，结合客户的需求，进行算法定制与优化 3. 指导低阶交付同学解决算法问题，保障交付质量 4. 参与客户现场交流和方案演示，解答技术问题
1. 具身智能大模型研究与优化 (1) 研究和构建具身智能大模型（Embodied Foundation Models）与机器人大脑。 (2) 探索语言、视觉、动作等多模态融合机制（VLM / VLA / VLA-Agent）。 (3) 优化模型的长时记忆、推理能力与可泛化性。 2. 机器人智能算法研发 (1) 设计和实现机器人多模态感知、导航、操作、交互等核心算法模块。 (2) 推进大模型驱动的机器人任务规划与决策。 (3) 基于模拟器与真实世界数据，进行大规模对齐与强化学习（Sim2Real, RLHF, Imitation Learning）。 3. 系统落地与协同研发 (1) 与硬件与系统团队协作，推动模型算法在真实机器人平台上的部署与性能调优。 (2) 支撑具身智能大模型的云端训练体系、数据闭环与MLOps工程。 (3) 发表高水平论文或申请相关专利，推动业界与学界前沿研究。