薪酬概览
平均月薪
¥5300
中位数 ¥3000 | 区间 ¥4300 - ¥6300
数据来源:样本数量过少,仅供参考;更新时间:2026年7月13日
月薪分布
80% 人群薪酬落在 0-8k

三大影响薪酬的核心维度
影响薪资的核心维度1:工作年限
影响薪资的核心维度2:学历背景
市场需求
6月新增岗位
11
对比上月:岗位新增6
数据由各大平台公开数据统计分析而来,仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 11 | 100% |
热招职位
1. 负责编译器的功能、性能及优化有效性测试
2. 验证代码生成质量,包括基础指令集和扩展指令支持
3. 设计并实现自动化测试框架,开发测试工具和性能分析方案
4. 构建完整的测试验证环境,确保编译工具链的稳定性和可靠性
5. 分析定位编译相关问题,推动问题解决和优化改进
我们正在寻找一位经验丰富的模块测试工程师,专注于服务器核心模块与子系统的深度测试与验证。您将负责从单元到系统级的测试策略设计、自动化实现与问题定位,确保服务器各关键模块(如内核/虚拟化、高速总线、编解码等)的功能、性能、可靠性及兼容性满足严苛的行业标准。您需要对服务器硬件架构与软件栈有深入理解,并能通过创新的测试方法发现潜在缺陷,为产品的高质量交付提供坚实保障。
岗位职责:
1. 服务器核心模块测试策略与执行:负责制定和执行服务器关键模块的测试计划,特别是在如下某一个或者某几个核心模块有扎实测试专长的候选人加入:
a. 内核与虚拟化模块:测试虚拟化技术(如KVM, VMware ESXi)、容器运行时、内核关键子系统(调度、内存管理、网络栈)的功能、性能隔离与稳定性。
b. 高速互连总线模块:负责PCIe, CXL, NVLink等高速总线的功能验证、带宽/延迟性能基准测试、错误注入与容错测试。
c. 硬件加速与编解码模块:测试GPU、视频编解码器(如H.264/HEVC/AV1)、加解密引擎等硬件加速单元的功能正确性、性能提升及驱动兼容性。
d. 固件与BMC模块:参与服务器固件(BIOS/UEFI)、基板管理控制器(BMC)的接口、安全与可靠性测试。
2. 测试框架与自动化开发:针对特定模块,设计并开发高覆盖率的自动化测试套件、压力测试工具和性能基准测试框架。集成到CI/CD流水线,实现模块质量的持续监控。
3. 深度分析与问题定位:执行测试并分析结果,能深入日志、硬件寄存器、性能计数器等,对发现的缺陷进行根因分析,准确定位至硬件、固件、驱动或应用层,并与研发团队紧密协作推动问题解决。
4. 系统级集成与可靠性验证:将模块测试融入整机系统测试,验证多模块协同工作下的功能与性能,设计并执行长时压力、故障恢复、容错等可靠性测试场景。
5. 技术预研与能力建设:跟踪服务器技术演进(如新硬件架构、互联协议、虚拟化技术),预研新的测试方法、工具与标准,提升团队在特定模块领域的测试深度与效率。
1、负责面向全集团中间件的质量保障,注重产品体验,能够从用户视角发现问题并反馈给开发,参与中间件发版迭代测试,编写集测用例集并执行;
2、参与中间件CI/CD流程优化,确保中间件在持续集成和交付过程中得到充分测试;
3、维护和优化现有的测试工具和自动化测试框架,确保其稳定运行。研究并引I入新的测试工具和技术,并通过AlCoding提效集成封装覆盖率;
4、参与建设中间件自动化压测体系;
5、制订中间件的发布规范和质量标准,并与研发同学一起落地质量规范。
• 主导GPU服务器在Linux系统下的兼容性、压力稳定性及异常场景(宕机、GPU掉卡、PCIe/NVLink链路抖动/中断、ECC错误激增、固件升级失败等)专项测试;
• 深度参与GPU驱动、固件、CUDA生态组件的测试方案设计与自动化脚本开发(Python/C++/Shell);
• 熟悉GPU服务器典型故障注入与诊断工具链(如:基于nvidia-smi/nvml、dcgmi、ipmitool、core dump分析、kdump/kexec等);
• 联动硬件、驱动、固件、BMC团队,对重大系统级问题(如reboot loop、panic on GPU reset、nvlink topology mismatch)开展跨层级日志采集、时序分析与闭环验证;
• 输出高质量测试报告、故障模式库(FMEA)、调试SOP及可复用的回归用例集。
1.参与财务分析领域、ESG领域相关系统建设,可根据个人能力承担前端、后端或全栈研发工作;
2.具备良好的沟通能力,能够充分理解业务需求,完成从方案设计、开发实现到上线交付的工作;
3.能够带着思考支持业务,主动挖掘业务痛点,并通过工程技术、数据能力、AI工具等手段提升业务效率与系统体验;
4.关注产品体验、系统质量与交付效率,能与产品、业务、设计、测试等角色高效协作。
负责直播及视频场景下的内容安全算法研发与前沿技术落地,聚焦实时互动流中的风险识别、圈流决策、攻防对抗与LLM/VLLM/Omni大模型审核定性。
核心工作包括:
围绕直播间多主体行为序列(主播口播、观众互动、水军协同等),设计并优化风险识别模型与策略体系,实现从"单条内容审核"到"整场行为理解"的能力跃迁;
构建圈流-识别-审核三阶段决策引擎,在召回率≥95%的约束下持续降低误报率,实现审核链路的大模型自动化完结,平衡审核成本与安全效果;
设计自进化闭环系统,通过agentic/skill技术链路实现规则挖掘、识别点自动迭代与OOD鲁棒策略,应对攻击者持续变换话术/脚本的对抗环境;
参与内容安全大模型在直播/视频场景的落地,探索大小模型协同(线上小模型推理+大规模LLM训练/蒸馏/RL)的工业化路径。
数据技术及产品部-数据处理工程师-RL训练数据方向(Work)
我们正在搭建 Work(AI 协同办公)方向的 RL/RFT 训练数据体系。这个岗位的核心职责是从线上回流数据中挖掘高价值样本:清洗、筛选、合成、发现 bad case,把海量线上数据变成模型训练和数据标注真正能用的东西。
职位描述
1. 线上数据回流与清洗
对接模型线上 rollout 产生的原始数据(轨迹、日志、用户反馈、执行结果等),设计清洗 pipeline,去重、去噪、过滤无效样本,把脏数据变成结构化可用的样本集。
2. 高价值数据挖掘
从海量线上数据中挖掘对模型训练有价值的样本:高难度任务、罕见场景、模型易错 case、用户真实需求分布。建立挖掘策略(规则 + 模型 + LLM 多信号融合),提升高价值样本的召回率。
3. Bad Case 发现与归因
系统性发现 bad case:模型执行失败、输出低质量、轨迹异常、用户投诉等。对 bad case 做根因分类(模型能力问题 / 数据分布问题 / 任务定义问题 / 环境依赖问题),输出结构化报告驱动数据补充和评测修正。
4. 数据合成与增强
设计数据合成策略:基于 LLM 对已有样本做变体生成、难度扩展、场景泛化,补充模型训练数据中的稀缺类型;验证合成数据质量,确保合成样本可直接用于训练。
5. LLM 驱动的精细化筛选
用 LLM-as-judge、质量评分模型等方式对海量数据做精筛,识别"表面合理但实际错误"的样本,把数据质量从"能看"升级到"能训"。设计筛选阈值与采样策略,平衡数据规模与质量。
6. 数据标注前置处理
为下游标注团队准备可标注的数据包:去重、预分类、标注难度分级、边界 case 标记,降低标注成本、提升标注效率。定期输出数据分布报告,指导标注优先级。
7. 数据 Pipeline 与基础设施
搭建端到端的数据处理 pipeline:采集 → 清洗 → 挖掘 → 合成 → 筛选 → 输出。保证数据可追溯(血缘管理)、可复现(版本管理)、可观测(关键指标监控)。
8. 协同算法与标注团队
与模型训练团队对齐"下一轮需要什么数据",与标注团队对齐"什么样的数据值得标",把数据挖掘变成模型能力提升的持续供给。
1.负责账号/权限/审批相关产品或平台的项目迭代和日常维护工作,和团队成员协作支持业务运转;
2.主导前端技术方案设计、产出、实施,解决跨业务域抽象、多技术栈混杂、微应用框架体系等技术挑战;
3.参与前端团队的组件沉淀、开发规范制定等,共同建设前端技术底座,包括但不限于AI Agent开发、可视化、微前端、低代码、组件化等方向;
4.探索web前沿技术,关注用户体验和潜在需求,拓展前端能力边界;
随着芯片功能日益复杂,芯片功能和性能越来越依赖于底层软件。作为芯片团队的一个重要部分,芯片软件团队致力于在系统层次规范和定义芯片软/硬件接口, 桥接片上模块和设备与上层软件栈,培养和构建芯片生态环境。 你将了解到CPU如何从第一条指令开始,如何通过BIOS一步步引导操作系统,你也将了解到如何将主流深度学习框架,如Tensorflow, 移植到阿里自研的芯片平台,并带来数量级的性能提升。在这里,你将了解到所有你想了解的芯片细节。 同时,参与主流开源模块的移植和开发,如UEFI/Linux/Tensorflow/RISC-V,影响并引领开源模块的发展方向。
-既具备扎实的技术背景,又能熟练地与客户沟通,理解客户需求,并能够将公司的技术产品或服务有效地推广给目标市场;
-建立并保持良好的客户关系,定期跟进项目进展,收集反馈信息。
-通过与潜在客户的深入交流,准确把握其业务需求和技术痛点,并结合公司产品特点,定制化设计解决方案;
-为客户提供AI芯片的技术支持,确保产品在客户业务场景中的顺利落地;
-向客户展示产品功能和优势,为客户提供全面的技术咨询和支持服务,解答有关AI芯片使用过程中的问题;
-组织并实施针对客户的技术培训和研讨会,帮助客户快速了解AI芯片产品的规格、特性和使用方法;
-收集并分析客户需求,并总结前代产品落地过程中遇到的各种问题将其转化为产品改进建议,与产品和研发团队合作推动产品升级;
-与市场营销团队合作,以支持AI芯片在市场中的推广和应用;
-持续关注AI领域市场及竞对最新动态和技术趋势,保持对公司产品的竞争力分析;
该职位聚焦企业内 AI 办公应用场景,核心目标是构建服务员工实现AI驱动办公新范式的解决方案、产品和工具,并实施落地。你将是承担连接产品技术能力与业务价值的桥梁角色,从从业务洞察、产品规划、研发协同到运营推广,全方位推进项目,实现客户需求满足和组织目标达成。期待您的加入,共同开启 AI 驱动的办公新范式!
工作内容包括但不限于
1、深入理解企业客户在智能化转型中的真实需求和痛点,从业务视角定义 AI 产品方向与路线图,建立客户需求到技术和产品实现的转化机制。理解主流 AI 模型的能力边界与适用场景,将 AI 能力与企业办公场景深度结合。
2、承接客户成功使命,负责与集团各业务部门建立深度对接机制,主动挖掘各部门AI驱动的办公需求,做出有竞争力的AI产品,以及在组织内部的规模化应用与价值落地,建立从需求承接、方案定制、产品和工具建设到效果追踪的完整闭环。设计内部推广与运营活动策略,提升产品的用户渗透率和活跃。
3、协同工程、产品、算法、运营团队,推动 AI 功能从概念验证到规模化落地,平衡技术创新与工程可行性,建立效果评估体系持续优化产品表现。
4、带领跨职能团队(产品、研发、运营),培养兼具技术视野与业务思维的复合型人才,建立团队 AI 认知框架,推动组织内部 AI 文化传播。
1. 集团多种业务场景下,对千亿级流量进行攻击流量识别、人机识别相关算法研究;
2. 通过 LLM 对海量流量及各端审计数据进行分析,不断提升大模型在流量识别场景下的分析及归因能力;
3. 搭建端云协同的风控模型系统,不断提升各类异常流量的防控能力;
4. 跟踪风控领域前沿技术,结合多模态数据,进行原型系统的研发和验证