大模型Infra工程师 (大模型后训练)

岗位描述

负责生成式大模型后训练阶段（SFT 微调 → 偏好对齐 → 强化学习）的训练基础设施设计与优化。面对算法快速迭代与大规模探索式采样的双重挑战，构建高效、灵活、可扩展的训练框架，在算法演进与系统效率之间实现最优平衡。 1. 后训练全链路框架设计与演进：主导设计并持续迭代后训练基础设施，完整覆盖 SFT（监督微调）→ RM（奖励模型训练）/ DPO（离线偏好优化）→ PPO / GRPO / DAPO（在线强化学习… 1. 算法理解与系统转化能力：深刻理解 SFT、DPO、PPO、GRPO、DAPO 等主流后训练算法的数学原理与计算模式，熟悉 Reward Model 的训练范式及其在 RL 链…