薪酬概览
平均月薪
¥56000
中位数 ¥55000 ｜ 区间 ¥42700 - ¥69200
数据来源：谈职全网13份招聘数据；更新时间：2026年7月13日
月薪分布
100% 人群薪酬落在 >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
8月新增岗位
26
对比上月：岗位减少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 | 13 | 50% |
| 3-5年 | 13 | 50% |
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。
1.基于大模型、行为序列等技术，完善各类业务风险的全流程风控体系，包括不限于态势感知、风险审核、策略智能体、团伙自动化挖掘等，保证用户的资金安全，提升交易生态健康度；
2.基于多模态大模型、CV等技术建设业界领先的图像质检能力，包括不限于篡改检测、AIGC检测、人脸攻击识别、业务违规识别等，提升支付的反洗钱合规水平并优化客户入驻体验。
1. 教育背景： 计算机、人工智能、软件工程等相关专业本科及以上学位。
2. 模型实战经验： 具备 LLM（如 LLaMA, GPT, Qwen 等）监督微调（SFT）、强化学习 (LLM-RL)等实务经验。
3. 核心技能： (至少熟悉以下一项)
- 有实际的 LLM SFT/RLVR 等微调经验，熟悉主流的微调框架（如 verl, Trinity-RFT, Axolotl, etc）。
- 有大规模应用服务部署经验，熟悉 Kubernetes、Docker 等容器化技术。
- 有 LLM 推理服务部署和优化经验，熟悉 vLLM/SGLang/Ray Serve 等。
- 有将 LLM 应用于人形机器人或自动驾驶相关项目的经验。
4. 编程与框架： 熟练掌握 Python，熟悉 PyTorch 等深度学习框架。具备良好的软件工程和代码习惯。
5. 沟通协作： 具备良好的沟通和团队合作精神，能快速学习和适应新技术。
1.针对医疗领域特定问题，定义任务流程，收集或构建高质量数据集，对LLM进行微调；
2.利用提示工程、模型微调、调用工具插件等方式完成医疗领域特定应用的探索尝试；
3.尝试提升大语言模型在医疗方面的能力，包括但不限于高效训练、人工反馈对齐、多模态、可控文本生成、生成质量评估，以提升LLM性能。
1、负责大语言模型（LLM）相关算法在AI Agent系统的研发与优化，包括但不限于预训练、指令微调（SFT）、强化学习等技术方向在任务规划、工具调用、记忆机制等核心场景的能力建设，提升效果与用户体验；
2、跟踪业界前沿技术（如推理模型、长上下文建模、Agent框架等），并推动技术在业务中的应用；
3、与工程、产品团队紧密合作，推动算法从研究到落地交付的全流程。
1、教育背景： 计算机、人工智能及相关专业硕士或博士；
2、技术功底： 扎实的 Python/C++ 基础，精通 PyTorch 及分布式训练工具；
3、核心能力：
（1）深入理解 Transformer 架构，熟悉主流大模型（如 GPT-4o, Qwen-Audio, RT-2 等）原理；
（2）了解音频特征提取及 Audio Tokenizer（如 EnCodec, AudioDec）基本原理；
（3）有 Agent 框架（LangChain, AutoGPT 等）开发经验或多模态对齐经验者优先；
4、综合素质： 具备良好的学术前瞻性或工程落地能力，能解决非结构化环境下的鲁棒性挑战。
1、核心NLU引擎研发：负责意图识别、实体抽取、情感分析、文本分类等核心NLU任务的算法设计、模型训练与优化。针对特定业务场景，构建高精度、高鲁棒性的NLU模型，并持续迭代提升效果。跟踪NLU领域的最新研究成果，并将其应用于实际业务中。
2、LLM-basedAgent构建：设计和开发基于大语言模型的智能体框架，实现复杂的任务规划、推理和工具调用。负责多轮对话管理、上下文理解和状态追踪模块的研发，打造流畅、智能的对话交互体验。探索Agent的自主学习和决策能力，使其能够完成开放域、多步骤的复杂任务。
3、RAG技术应用与优化：设计并实现高效的检索增强生成（RAG）系统，结合向量检索与大语言模型，提升回答的准确性、时效性和可追溯性。负责文档切分、向量化、索引构建以及召回、排序等全链路模块的优化。研究并解决RAG系统中的常见问题，如信息噪音、召回不准、知识冲突等，并有效减少模型幻觉。
4、工程与落地：负责算法模型的工程化部署、性能优化和线上服务的稳定性维护。与产品、工程团队紧密合作，深刻理解业务需求，推动AI技术的快速落地和商业化应用。构建完善的评测体系和数据闭环，驱动模型和系统持续改进。