薪酬概览
平均月薪
¥59400
中位数 ¥50000 | 区间 ¥45700 - ¥73100
数据来源:谈职全网16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
80
对比上月:岗位减少68
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 | 14.1% |
| 3-5年 | 45 | 57.7% |
| 不限经验 | 22 | 28.2% |
热招职位
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。
1、负责垂直领域多模态大模型的算法研究、开发与模型训练工作,包括模型的微调、强化学习等;
2、负责大模型在端侧设备部署、推理优化及性能调优;
3、对接业务需求,参与定义算法方案与评估体系,推动技术方案在具体场景中的应用落地;
4、持续跟踪多模态大模型领域的前沿技术,并尝试应用于实际项目以提升模型能力。
任职要求1、2026届应届毕业生,硕士及以上学历,人工智能、计算机科学、模式识别与智能系统、算法等相关专业;
2、熟悉Qwen-VL、MiniCPM等主流视觉语言模型者优先;
3、熟悉Transformer、CNN、ViT等主流模型架构,掌握深度学习与计算机视觉基础知识;
4、熟悉大模型预训练、微调(SFT)、强化学习(RLHF)等基本原理与流程;
5、熟悉PyTorch/TensorFlow等深度学习框架;
6、能熟练使用Python/C/C++语言,进行编程和工程实现;
7、了解模型量化、剪枝等轻量化技术,对端侧部署有基本认知。
1.负责医疗AI项目的数据分析和建模工作,包括:医疗数据的数据准备、统计分析、机器学习分析建模、模型评估、可视化等工作,并根据项目需求学习及应用新方法和新技术。并与开发团队合作完成模型应用部署和模型更新等API服务。
2.负责医疗AI产品中的数据开发与分析工作,协助产品团队进行产品中的上线数据分析和优化策略制定。
1.参与业务预测相关机器学习研究与开发,主导或核心参与预测场景选择,遵循数据治理规范,负责特征工程、预测模型的挖掘、构建、验证与优化工作。
2.搭建、优化机器学习算法模型,跟踪模型预测性能,探索利用 AI 新技术(如大模型、自动化工具)优化现有技术流程,分析模型有效性并提出针对性优化建议,推动模型迭代升级与落地应用。
3.参与数据治理体系建设,制定数据质量标准与监控机制,确保特征数据的高质量、高一致性,夯实数据底座。
4.跟踪机器学习及 AI 领域前沿动态,整理研究报告,探索 AI 工具在研发效能提升中的应用,配合团队推进预测项目落地。
1. 负责海量文本挖掘或NLP任务:话术质检、对话摘要、关键信息抽取、语义检索、对话生成、策略推荐。
2. 负责催收、客服等场景算法:用户画像、策略推荐、风险预测、意图理解、智能外呼 / 对话。
3. 基于 LLM + Agent 构建智能对话,落地 Agent 协同与跨系统自动化闭环。
4. 跟踪业界研究成果,将前沿 NLP、大模型技术成果应用于相关场景中,根据实际应用效果不断优化模型算法。
1. 负责声纹身份、情绪、年龄、性别、健康状况识别等相关算法的研发;
2. 根据具体场景、环境、设备,进行模型的精度优化、性能优化;
3. 实现模型的高度棒性,具有活体检测和防攻击能力;
4. 引入、优化多模态大模型研发技术方案,熟悉多维特征向量处理过程;
5. 跟进前沿技术发展,实现现有功能提升,以及拓展新的模型,同步形成论文与专利等知识成果。
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。
核心算法研发:负责微表情识别算法的全流程开发,包括但不限于面部关键点检测(Landmark Detection)、面部动作单元(AU, Action Units)识别、微表情时空模式提取与分类。 多模态融合:结合语音情感分析、生理信号(PPG/眼动)或文本语义,构建多模态情感计算模型,提升在低强度、短时程微表情下的识别准确率。 数据工程:主导微表情数据的清洗、标注规范制定及数据增强策略(特别是针对不平衡样本和小样本学习),构建高质量的数据闭环。 模型优化:针对端侧(On-device)或云端部署需求,进行模型压缩、量化及推理加速,解决实际场景中的光照变化、头部姿态偏移等鲁棒性问题。 前沿探索:跟进CVPR/ICCV/ACII等顶会中关于情感计算、自监督学习的最新成果,将SOTA论文转化为可落地的工程方案。
1、跟踪AI前沿研究方向(如大模型安全、后量子安全等),开展系统性技术调研与问题拆解
2、围绕关键科学问题开展探索性研究(如模型对齐、安全机制、隐私计算等)
3、设计并实现算法原型,完成实验验证与效果分析
4、参与论文、专利或技术报告撰写,推动研究成果沉淀
1. 负责语音合成(Text-to-Speech, TTS)模型训练与线上优化。
2. 深入研究并应用深度学习技术,提升合成语音的自然度、表现力和稳定性,支持多音色、多语种、情感语音等高级功能。
3. 参与语音前端处理模块开发,包括文本归一化、分词、音素预测、韵律预测等任务。
4. 与语音识别、语音增强、产品等团队协作,推动TTS技术在实际场景中的落地(如智能助手、有声阅读、导航播报等)。
5. 跟踪学术界和工业界最新进展,持续优化模型性能,降低推理延迟,提升合成效率。
6. 编写高质量的技术文档,参与模型版本管理和工程化部署(如ONNX、TensorRT、Triton等)。
1、计算机、人工智能、自动化等相关专业硕士及以上学历;
2、具备扎实的深度学习基础,熟悉Transformer、BERT、ViT、CLIP等主流视觉-语言模型架构;
3、有大语言模型(LLM)的训练/微调/推理优化经验,熟悉其在下游任务中的应用;
4、熟练使用Pytorch深度学习框架,具备良好的工程能力和代码实现能力;
5、良好的团队协作与沟通能力,具备快速学习和解决问题的能力。
加分项:
1、有参与实际LLM预训练或后训练(SFT、DPO/RLHF)的相关项目经验;
2、有使用大语言模型进行数据合成(Data synthesis)的相关经验;
3、对大语言模型的预训练/后训练数据集有一定了解,有处理Trillion级别数据集的相关经验;
4、熟悉开源大模型生态(如Qwen, Llama等),对大模型的模型结构优化(如linear attention,Mixture-of-Expert等)有一定了解。

