深圳算法研发工程师
算法研发工程师是负责研发和优化算法解决方案的专业人士。他们利用数学、统计学和计算机科学知识，设计和实现各种复杂的算法，以解决现实世界中的问题。工作内容包括分析和理解问题需求，设计并实现相应的算法模型，并进行性能优化和调试。算法研发工程师通常需要熟悉数据结构、算法复杂度分析、机器学习和深度学习等领域的知识，并能够使用相关的编程语言和工具进行开发和测试。他们在人工智能、计算机视觉、自然语言处理等领域发挥着重要作用，为各种应用场景提供高效、可靠的算法解决方案。这个岗位需要拥有丰富的算法知识和解决问题的能力，以及对新技术的敏锐度和创新思维。
薪酬概览
平均月薪
¥28200
中位数 ¥26500 ｜ 区间 ¥21400 - ¥35000
数据来源：谈职全网38份招聘数据；更新时间：2026年7月13日
月薪分布
57.9% 人群薪酬落在 15-30k
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
77
对比上月：岗位新增46
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 | 53 | 74.6% |
| 1-3年 | 8 | 11.3% |
| 3-5年 | 5 | 7% |
| 不限经验 | 5 | 7% |
热招职位
1.负责门店订货相关的数据挖掘和算法应用，包括销售额预估、SKU销量预测、物料订货推荐、物料盘点异常检测等。
2.负责供应链相关的数据挖掘和算法应用，包括物料出仓需求预测、库存预测、物料补货推荐、物料调拨推荐等的算法方案建设。
3.负责活动相关的数据处理、分层、影响预估、影响平滑等频繁活动相关业务场景的挖掘探索。
1、主导规划项目立项，准备项目背景和技术资料，立项报告及其它必要的立项资料。
2、主导分解项目开发计划，项目开发计划表。
3、统筹制定新员工专业技术培训计划，培训计划表。
1、负责语音识别、语音理解、以及端到端语音大模型的算法研究，模型训练优化及业务落地
2、基于智能语音交互项目上遇到的生产问题及业务痛点进行深入分析，提出优化解决方案
3、同工程团队一起紧密配合，推动模型的上线及线上效果的追踪
4、跟进语音大模型的最新技术进展，评估哪些技术方案可应用于平安业务场景，并具有落地可行性，进行技术引进。
1.大模型在医疗领域的应用研究，涵盖AI诊疗（如诊断辅助、基于多组学个性化用药方案生成）等方向，推动AI技术在临床决策支持、健康管理中的落地。
2.参与端到端的算法任务设计、模型训练和优化，确保模型在医疗场景中的高精度、高可靠性。
3.与医疗专家、数据科学家和工程师紧密合作，将前沿AI技术转化为实际解决方案，解决医疗行业痛点。
4.探索大模型在医疗AI的前沿应用，以支持持续的技术迭代和产品创新。
1. 负责大语言模型及多模态模型的推理服务部署、性能优化和稳定性保障。
2. 基于 vLLM、SGLang、TensorRT-LLM 等框架，建设和优化推理服务能力。
3. 跟踪推理加速前沿技术，推动量化、长上下文优化、PD 分离等能力落地。
1. 教育背景：计算机、人工智能、数学、物理等相关专业硕士及以上学位，有顶级会议（如NeurIPS, ICML, ICLR, AAAI等）论文发表经验者优先。
2. 核心算法理解：深入理解Transformer、GPT、DeepSeek、Qwen等主流模型架构的底层数学原理与训练细节，对Linear attention、RMSNorm、DynamicTanh (DyT)、Mixture of Experts (MoE)等LLM底层模块有独到见解。
3. 分布式训练实战经验：具备主导或深度参与LLM预训练的实际经验，熟悉PyTorch、DeepSpeed、Megatron-LM等分布式训练框架。
4. 专业素养：具备严谨的实验设计和结果分析能力，能够主动发现并解决训练过程中的复杂算法问题。
5. 沟通协作：具备优秀的沟通能力和团队合作精神，能够与数据、系统、硬件等不同背景的团队高效协作。
6. 加分项：有使用过大于128张GPU进行LLM预训练、大规模预训练数据合成、硬件友好模型结构设计等相关经验。
参与平安集团智能理赔系统的研发，利用大语言模型（LLM）、多模态理解与知识图谱技术，构建“从客户材料到赔付决策”的全自动审核引擎。 主要职责： - 参与 AI 理赔审核系统的研发，协助构建多模态文档（医疗影像、保单 PDF）的信息提取，实现对客户提交材料的理解与判别； - 设计并实现保单条款与理赔规则的结构化表示，支持大模型精准调用与推理； - 追踪大模型领域前沿技术，优化大模型提示工程（Prompt Engineering）、微调（Fine-tuning）与RAG（检索增强生成）方案，提升模型在复杂理赔场景下的判断准确率； - 负责理赔案件数据的清洗、标注体系设计及高质量数据集的构建； - 参与系统开发，将AI模型能力集成到理赔流程中，支持高并发、低延迟的生产环境部署； - 编写技术文档、参与代码评审，持续优化系统稳定性与可维护性。
1.营销 Agent 架构设计与实现 基于 LLM 构建具备自主规划（Planning）能力的 Agent 系统。针对营销策略拆解、创意生成、广告投放优化等环节，设计并实现 ReAct、CoT (Chain of Thought)、ToT (Tree of Thoughts) 等推理架构。
2.多模态工具链集成 (Tool/Action Use) 研发高效的 Function Calling 与 API 编排机制，使 Agent 能够精准驱动视觉生成引擎、投放平台 API 及企业内部数据库，实现从内容生产到自动化分发的无缝衔接。
3.记忆与知识管理系统 (Memory & RAG) 构建面向营销场景的长期记忆机制与高性能 RAG (Retrieval-Augmented Generation) 系统。整合行业知识库、历史成交案例、品牌调性约束，确保 Agent 在长周期线索跟进中的上下文一致性与专业度。
4.业务闭环驱动的强化学习与对齐 利用业务端产生的真实转化数据（线索质量、成交率），优化 Agent 的决策逻辑，使 Agent 的推荐策略与生成内容向高转化率目标演进。
1.多模态算法研发：负责保险核保核赔场景下多模态大模型/Agent（如医疗影像、体检报告、病历文本等）的算法研发，实现跨模态信息的精准对齐、融合与推理，提升核保核赔决策的准确率与可解释性。
2. 智能体（Agent）构建：设计并开发面向核保流程的AI智能体，构建包含任务规划、工具调用、多轮对话等核心能力的Multi-Agent协作模式，推动核保流程的自动化与智能化。
3.知识库与RAG优化：构建并优化保险条款、医学指南等领域知识库，结合检索增强生成（RAG）技术，解决大模型在复杂核保规则下的幻觉问题，提升专业场景下的推理准确性。
4.模型微调与部署：负责多模态基座模型的SFT（监督微调）与RLHF（人类反馈强化学习），并主导模型在核保生产环境中的工程化落地，包括推理加速、显存优化及高并发服务部署。
5.数据闭环建设：设计并搭建自动化数据处理流水线，负责核保相关多模态数据的清洗、结构化标注与质量评估，构建高质量领域数据集以支持模型持续迭代。
6.前沿技术探索：跟踪大模型与多模态领域的最新学术进展（如MoE、Long Context），探索其在保险反欺诈、精准定价及动态风险评估中的应用
1、负责手机端与云端 AIGC 影像算法研发，包括人像生成、图像修复、人像编辑、视频生成、文生图 / 图生图等核心能力的算法设计、实现与优化（任一方向）。
2、负责扩散模型、MMDiT、流模型（Flow Matching / Rectified Flow）、单步生成模型等前沿生成式模型的研发、微调、蒸馏与推理加速。
3、负责 AIGC 基础模型的后训练体系建设，包括 SFT、DPO、GRPO 等强化学习方案设计与落地，构建大规模指令微调数据与奖励模型。
4、针对弱光、逆光、中低端机型、海外用户习惯等复杂场景，设计稳健高效的人像处理、图像编辑与视频生成方案。
5、参与构建手机影像 AIGC 完整技术体系，包括数据 pipeline、模型评价体系、端云协同架构、训练与部署流程建设与优化。
6、跟踪业界前沿技术，推动图像 / 视频生成、编辑、增强等创新能力在手机影像产品中稳定、高效、差异化落地。
1、 参与平安业务相关的文本分类、命名实体识别、文本相似性、语言模型、情感分析、用户行为分析等相关NLP工作；
2、 跟进NLP领域前沿技术，对现有产品和技术方案进行持续改进，同时探讨和开发新的产品。