1、负责强化学习算法的研究和创新，设计针对大模型训练的高性能强化学习下算法。探索奖励系统设计，针对不同的目标问题，研发高效的奖励机制，来更好的控制强化学习和模型后训练的过程；
2、面向大模型的开发者，开发模型后训练和服务框架；
3、负责设计并实现大模型可解释性（XAI）框架，突破现有黑盒模型限制，研发多层级（神经元/模块/任务）的解释工具，实现对LLM模型决策逻辑、安全风险（幻觉、偏见）的可视化溯源与归因；
4、研发模型量化、精准微调与可解释性的协同优化技术，解决低精度推理/训练场景下模型行为漂移问题，保障优化后模型的可靠性、安全性与透明度；
5、设计支持多语言场景的可解释性方案，解决低资源语言的可解释性瓶颈与文化偏见检测问题，确保全球化部署中模型的公平性与决策透明；
6、研究动态演化的AGI系统持续可解释性机制，应对自进化学习、新型算力架构下的未知风险。

职位要求
1、计算机科学、人工智能、数学或相关领域的博士学历，研究方向涵盖强化学习，模型推理，高性能计算，可解释AI（XAI）、AI安全、模型机理分析、形式化验证等；
2、熟悉模型量化与精准微调技术，理解其对模型安全性、鲁棒性和可解释性的影响机制；
3、精通Python/PyTorch/TensorFlow 生态，具备开发AI可解释性工具链的工程能力；
4、跨语言与开源经验是加分项： 拥有多语言大模型研究经验，熟悉低资源语言的可解释性挑战与跨文化偏见缓解方案；拥有高star github开源库，有较强工具链开源经验；
5、前沿技术研究：跟踪AGI领域的最新研究进展，探索新的可解释性和大模型优化技术；在顶级会议（NeurIPS, ICML, ICLR, ACL）发表AI可解释性、模型下一代训练范式相关论文。