腾讯腾讯云—下一代AI原生的云产品全链路交互研究
深圳总部 · 应届毕业生 青云计划 · 算法与研究
需要对标的能力
大模型原理 · LLM 基础幻觉治理 · 输出可靠性Agent · 智能体设计Skill · 提示词模块化模型微调 · Post-TrainingAI Infra · 推理部署评测 · Eval 方法论AI 工程设计模式
岗位职责与要求
课题背景：
随着LLM技术的发展与基于ReAct的Agent运行框架日益成熟，传统复杂的云平台与云产品亟需进行全链路使用体验的升级：把云产品的操控能力从挫败感极强的“方向盘”形态，转变为启发式的“导航仪”形态。本课题聚焦于云平台最底层的IaaS产品线，从网络域切入，探索与落地AI智能化路径，为后续在更多IaaS产品上的推广打下基础。
课题挑战：
1、专业化小模型与排障效果：在网络域构建高效、轻量的专业小模型，并在复杂场景中显著提升AI排障的准确性与效率；
2、AI Infra端到端落地：围绕底模对比、领域数据集构建、训练与后训练框架、多模型服务化以及评测标准，完成从研究到工程的全链路打通；
3、通用化与适配扩展：将上述AI Infra能力抽象与标准化，使其可复用、可扩展，支持其他IaaS产品的快速接入与平滑演进。
具体工作：
1、构建网络域的专业小模型，提升AI排障性能与效果；
2、以网络产品AI化为起点，完成底模对比调研、领域数据集构建、训练框架、多模型servicing，以及AI后训练效果评估标准等AI Infra系统的实践落地；
3、将上述AI Infra系统通用化，使之能够支持其他IaaS产品的适配接入。
1、计算机、信息工程、模式识别/人工智能、自动化、软件工程、电子工程、信息安全、信号与信息处理等相关专业博士或硕士；
2、多年机器学习/深度学习研发经验，且具备至少1年大模型训练/微调/落地实战经验（含数据、训练、评测或部署任一环节）；
3、深入理解 LLM 全链路与关键方法，包括CPT、SFT、RM、RLHF/DPO、数据合成与评测体系等；
4、熟练 Python/PyTorch，理解 Transformer/MoE 等核心架构；代码能力扎实，具备 Python 工程开发与调试能力；
5、加分项：具备扎实网络与云IaaS基础（TCP/IP、路由协议、SDN、VPC等），有网络排障/自动化运维或相关项目经验更佳。