科学多模态大模型算法工程师

职位描述 1.负责大模型从Pre‑SFT、SFT到RLHF (DPO/PPO/GRPO等)全阶段的算法调优与策略设计，提升模型在风格控制、安全合规、领域知识注入、多轮交互逻辑、文创、指令遵循、情绪控制、Agent Planning等核心维度的综合能力。面向生物医药、计算化学场景，优化分子、药物等图结构输入下的指令遵循与生成能力。 2.设计高质量SFT、RL等数据采集、清洗和标注方案，建立数据质量评估标准和流程，持续提升数据质量和多样性；构建分子SMILES、图结构、化学SAR优化等领域专项数据集，完成化学领域数据过滤、质量评估与数据配比实验。 3.参与模型合版工作，包括数据配比策略、多任务训练优化、灾难性遗忘缓解等核心技术，确保各业务线智能体能力与基座模型的高效融合，兼顾通用能力与化学图模态专项能力不退化。 4.探索多模态（文本、视觉、音频、分子图等）场景下的Post‑Training方案，解决跨模态对齐与幻觉问题；探索图神经网络GNN/MPNN与大模型结合的后训练对齐方案，解决分子理解、性质预测、分子生成、SAR推理任务的对齐与幻觉问题；探索高质量数据的合成、Self‑Play、Agentic RL等方法，与Pretrain、RL、评测团队紧密配合，推动基座模型面向应用的全流程优化。 职位要求 1.计算机、人工智能、数学、化学/计算化学等相关专业硕士及以上学历。具有1年以上NLP / LLM领域一线研发经验，有AIDD、计算化学、分子大模型项目经验优先。 2.对大模型的Post‑Training阶段有全局视角的理解，曾作为核心骨干完整参与过百亿/千亿级别模型的SFT与RLHF迭代过程，熟悉各阶段的坑与解法；理解图模态与文本大模型融合对齐的技术难点。 3.熟练掌握主流的对齐算法（如SFT、DPO、GRPO、PPO等）及其底层数学逻辑；熟悉Megatron‑LM、DeepSpeed、vLLM等主流分布式训练与推理框架，能快速定位并解决大规模训练中的工程问题；熟悉GNN、GCN、MPNN等图神经网络，了解分子表征、RDKit分子工具链，有分子大模型、图‑文本多模态对齐实践经验优先。 4.对高质量数据有极高的敏锐度，能够通过实验快速验证“什么样的数据配比能激发出什么样的模型能力”，并总结为方法论；有化学/分子领域数据构建、数据过滤、数据合成经验加分。 5.对解决具有挑战性的技术问题充满热情，有开源社区贡献（如大模型、分子大模型相关项目）者优先。 6.关注领域前沿，有NeurIPS / ICML / ICLR / ACL/ CVPR等顶会论文发表，或化学信息学、AI药物研发相关论文优先。