薪酬概览
平均月薪
¥39000
中位数 ¥0 ｜ 区间 ¥31000 - ¥46900
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
50% 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
10月新增岗位
4
对比上月：岗位新增3
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 |
|---|---|---|
| 3-5年 | 4 | 100% |
热招职位
1、业务介绍： 聚焦物流供应链，基于文本/图像/视频多模态数据，构建垂域多模态大模型，创新PT-SFT-RLHF方法论，赋能安全检测、违规巡检，降本增效。
2、岗位内容：负责垂域多模态模型继续预训练，视频理解等能力的攻坚。
3、研究内容：（1）基于物流供应链领域文本/图像/视频数据，探索构建垂域多模态大模型，创新提炼垂域适配的PT-SFT-RLHF各阶段数据构建、模型训练与评测方法论；（2）探索垂域多模态大模型前沿应用方向，提升垂域多模态基础能力，包括目标检测，视频分类，视频问答，视频描述等任务，赋能安全检测、违规巡检等业务，实现降本增效。
1、负责美颜算法核心技术的研发与创新，覆盖皮肤质感优化、面部特征建模、动态光影处理等方向；
2、基于深度学习与计算机视觉技术，优化算法在移动端的实时性与计算效率，推动算法在手机终端落地；
3、结合用户需求与影像技术趋势，探索多场景适应性美颜方案（如暗光/逆光/动态视频等）；
4、深度参与影像产品迭代，与硬件、软件、设计团队协作，打造行业领先的拍摄体验。
1、打造终端智能感知能力，突破关键多传感器融合特性，实现连续、低功耗等要求；
2、负责智能终端的算法架构设计能力，包括：机器学习/深度学习算法、多平台异构优化与端到端全链路理解能力；
3、保障模块设计开发的高效落地。
我们是中国客户体量最大的金融机构，当前发展阶段需要利用AI深度识别客户的风险，并且利用AI对抗黑产（如洗钱，电诈等），用AI对抗AI模式将在今后融入整个金融生态。
1.模型评估与选型：构建多维度的算法评估体系，针对业务场景对开源/闭源模型进行能力对标，负责模型微调方案（LoRA、SFT/DPO）的效果评估。
2.高级RAG技术研发：负责RAG（检索增强生成）全链路优化，包括复杂文档解析（OCR协同）、多模态数据切片（Chunking）、多路召回与重排序（Rerank）算法。
3. 特征工程与数据处理：针对业务数据进行深层特征化处理，提升向量检索的语义精准度，设计高效的数据预处理管线。
4.提示词架构优化：负责复杂场景下的Prompt Engineering，设计具备自愈能力（Self-Correction）和推理链（CoT）的高质量提示词模版。
5.算法前沿跟踪：实时跟踪大模型、长文本处理、结构化抽取等领域的发展动态，并完成业务侧的技术验证。
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. 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。
1.负责文本大模型在AI编程垂直领域（如代码生成、工具调用、接口测试）的数据构造、Post-Training与评估全流程；
2.深入代码大模型与文本推理方向，进行模型调优与能力创新，覆盖代码补全、流水线自动化、测试用例生成等场景；开展大模型智能体（Agent）的开发与设计，包括智能体工作流编排、工具调用规划、复杂任务分解与执行等；
3.负责文本上下文压缩技术的研究，并在代码检索、知识库问答领域的落地，包括Embedding压缩、长上下文（Long-context）优化、结构化文本处理等；
4.负责基于大模型的知识检索问答（如RAG）系统的研发与优化，包括领域知识库构建、检索增强生成技术应用、问答准确性提升等；
5.跟踪文本大模型、程序语言处理及智能体技术领域的技术进展，评估其在研发效能提升方面的应用潜力。