参与数学或代码大模型预训练研发工作，包括模型预训练、对齐与评测；负责构建和优化数学或代码方向的预训练与对齐数据，提升模型在相关任务上的效果；探索面向数学或代码任务的数据合成方法，增强模型在相关任务上的泛化能力。

与算法团队深度协作，参与下一代GLM大模型架构设计与系统实现，推动模型结构与系统效率协同优化；构建大模型推理成本分析与模拟系统，从算力、通信、KV Cache、并行策略等维度优化推理效率；设计并优化超大规模训练基础设施，提升训练稳定性、资源利用率与训练效率；探索MoE、Sparse Attention、长上下文等新架构在训练与推理系统中的高效落地。

负责代码预训练数据的合成、清洗、权重分配和来源扩充等工作，持续提升代码预训练与中训练数据质量；研究预训练中小领域数据配比与最终效果之间的关系；开发数据筛选与合成链路，提升基座模型在下游代码任务中的能力。

负责基座模型在各类代码生成和Coding Agent场景下的效果优化；分析业务需求，针对不同应用场景设计训练方案，提升模型在不同下游应用中的性能；持续跟进LLM代码生成前沿技术，优化基座模型完成复杂代码生成任务的能力。

负责模型在Coding Agent场景下的能力优化；研究大规模数据合成与强化学习方案，提升模型在各类Coding框架下的性能；设计并实现评测方案，从多维度衡量模型在真实场景中的Coding Agent相关能力。

针对模型特定能力进行数据构造、筛选和优化，重点覆盖数学、代码、复杂推理等领域，并负责对齐数据的质量与多样性控制；探索通过更长思维链推理提升模型在复杂任务中的效果，增强后训练阶段训练与推理的扩展能力；提升强化学习算法的可扩展性和稳定性，优化后训练阶段的scaling性能，优化多目标奖励模型，并探索结合CoT和过程监督的方法；结合监督微调、self-improve等方式开展训练优化探索，攻克交互任务中的复杂推理问题，持续提升模型的理解与生成...

负责面向全球ToC业务的稳定性建设与7x24小时运维保障，涵盖Web服务、APP后端、API网关、云基础设施与安全；负责Kubernetes集群建设与稳定性保障，包括版本升级、故障排查、性能调优和资源利用率优化；主导容器化架构调优，如Pod调度策略、网络插件选型、存储方案设计，并优化资源请求与限制配置以减少资源争用；建立容器安全防护体系，包括漏洞扫描、运行时安全监控、合规审计；参与自动化运维工具链建设，包括CI/CD流水线、混沌工程测试...

参与实时模型的数据梳理与整理，并与产品团队协作完成相关工作；根据模型规划和现有能力，收集并分析各类应用场景，为模型优化提供支持；具备基础的产品交互与构造能力，能够参与产品设计和开发；持续关注并研究前沿AI产品玩法和市场趋势，为能力创新和市场定位提供支持。要求本科及以上在读，对AI工具化产品和大模型迭代有一定了解，对海内外AI模型及相关产品有基础认知，并具备市场敏锐度与信息收集能力。

基于SGLang进行大模型推理引擎与服务侧开发，提升吞吐、降低时延与成本，保障线上稳定性。支持RL训练相关推理链路，包括rollout生成、打分与奖励模型推理，优化训练闭环效率和资源利用。建设推理侧监控与性能分析能力，参与线上问题定位与故障处理。与算法和训练团队协作，将模型与训练需求落地为可运行、可维护的推理系统，并输出必要技术文档。要求熟练使用Python或C++，熟悉GPU推理、PyTorch等深度学习框架，了解分布式通信与并行基础...

负责强化学习训练框架的研发、优化和维护，根据业务需求持续改进训练框架和训练策略，提升模型训练效率；分析并定位训练过程中的性能瓶颈，实施针对性优化措施，提升训练效率与稳定性；持续跟进业界技术进展，同步并集成最新训练优化策略。要求对自然语言处理、计算机视觉和多模态算法有深入理解，熟悉主流LLM模型架构，具备分布式训练经验，了解常见RL训练算法；有vLLM或SGLang等开源推理框架经验者优先。