共 6773 个在招岗位 · 覆盖国企、大厂官方招聘
1、 酒店拓展：拓展区域优质酒店，保证区域供应链完整、拿回优势价库； 2、价库运营：结合平台工具和资源，做好基础信息维护、工单处理、平台重点项目的落地执行，提高间夜产出； 3、商户问题处理及关系维护：解决商家遇到的如操作、财务、订单、商品优化等方面的问题，并通过高频次拜访，帮商家解决具体问题及维护与商家的关系。
1、跟踪研究宏观与消费态势（如AI+消费、即时消费、服务消费），围绕行业与产业发展的本质、规律、趋势与挑战等，把握研究方向与重点，输出理解、思考与研究成果； 2、结合宏观形势变化与业务实际发展，基于对业务模式、行业现状、政策体系的理解，发现、定义问题，沉淀分析体系与指标框架，进行现状还原、问题定位与成因分析； 3、联动内外部机构与专家，推进公司内外部研究合作，撰写研究报告，支持公司决策。
1、基于对医疗&教培行业趋势、竞对动态及平台数据的深度洞察，制定大区年度经营战略与商业版图规划，明确增长路径与资源投入优先级 2、带领团队实现辖区内教培&医疗商家（亲子、教育、口腔、综合医院、医美等）的快速渗透，基于 LBS 场景特性，整合营销、广告等资源，打造可复制的行业标杆案例。 3、 负责大区管理梯队的选拔与培养，提升团队作战能力，打造高执行力销售团队。 4、跨部门协同与流程优化：协同产品、运营等部门推动项目落地，参与制定并协调上级政策的本地化执行，优化区域内部管理流程。
-团队介绍 高德语音技术部是负责高德全栈语音技术的综合性团队，致力于通过前沿语音技术的研究与落地，赋能下一代 AI 产品创新。 团队核心技术能力覆盖：自研 ASR&TTS 基座大模型、端侧模型、多语种、RTC 流式语音、语音内容生成、语音识别、跨模态模型、模型服务与推理等方向。业务支撑面向高德全部核心场景，包括语音导航、AI 领航员、IP 语音定制、国际化、AI 语音助手、智能外呼、内容生成等。 我们相信技术创造价值。近期部分产品进展：高德AI伴行 https://mp.weixin.qq.com/s/SDlTjmNSi-PAptxuPx3UHw 岗位描述： 1. 负责语音唤醒、增强、识别、语音与大模型融合等核心语音模块研发，独立开展技术研究与业务落地； 2. 结合高德地图导航、语音交互等真实业务场景，持续提升复杂场景下的语音理解与生成能力； 3. 持续跟踪业界前沿语音大模型技术，结合业务需求开展语音多模态、全双工交互等技术创新与预研。 4. 与产品、工程架构团队紧密协作，完成技术方案的部署上线与性能优化，实现从技术到价值的闭环。
推动 GUI / Hybrid Computer Use Agent 在 Computer / Mobile / Browser 等真实数字环境中的能力演进与落地实践，使模型能够理解、操作并协同完成跨平台、跨界面、跨工具、跨任务流的复杂用户任务，持续提升 Agent 在开放环境中的泛化性、鲁棒性、协同性与实际可用性，拓展大模型在真实人机交互场景中的能力边界。 1. GUI Agent：重点探索 GUI 在Computer / Mobile / Browse场景下的Agent能力提升与OOD任务能力泛化影响分析，研究大规模自然GUI轨迹Pre-training、用户协同能力； 2. Hybrid Agent：设计CLI & GUI 统一范式下的Universal Digital Agent Harness & Behavior Pattern，探索用户协同CUA场景下的有效实践方案； 3. Envs Scaling & Training Scaling：在大规模合成环境和现实环境数据中CPT->RL端到端优化迭代； 4. Preference & Feedback Modeling：探索用户协同Computer Use场景下用户偏好和用户反馈的收集、建模与处理机制，研究显式反馈与隐式反馈的统一表征方式，建立可用于训练和评估的反馈闭环。
推动大模型在芯片设计（EDA）、工业设计（CAD）、工程仿真（CAE）、游戏设计、金融工程、工业自动化、Infra 调优等工程领域的能力演进与落地实践，使模型能够在真实工程生产环境中理解设计规格、调用专业工具、解析反馈信号并持续自进化，通过多轮迭代不断发掘更优算法与设计方案，拓展大模型在工程优化场景中的能力边界。该方向的核心目标是将工程领域的能力训练到主模型中，侧重在不同工程领域间的泛化性，而非构建单一领域的专用系统。 1. Self-Evolving Engineering Agent：研究基于 Self-Evolving、Long-Horizon、Multi-Agent 等 Test-Time Scaling 范式的工程优化能力增强方法，探索 Propose → Execute → Evaluate 迭代循环在多工程领域的统一建模，提升 Qwen 模型在开放工程环境中的泛化性与收敛效率。 2. Envs & Tool-Chain Integration：构建面向真实工程工具链的 Agent 闭环环境，将专业工具（EDA 编译器/仿真器/综合器、CAD 求解器、物理仿真引擎等）的 CLI 接口与报告输出集成为 Agent 可消费的结构化反馈信号，设计分层 Reward 体系驱动端到端优化。 3. Domain Data & Training Scaling：挖掘工程领域高价值数据与 workflow（设计规格、工具反馈轨迹、优化历史），构建 General Long-Horizon Data Pipeline；在 CPT → SFT → RL 端到端验证领域适配与训练策略，优化模型在工程任务中的长程推理与迭代优化能力。 4. Benchmark & Evaluation：跟踪工程智能前沿进展，围绕关键问题开展算法创新、实验分析与技术沉淀；复现并维护高可靠性工程评测环境，建立可量化、可复现的能力评估体系。 5. AI for Chip Design 加分项： （1）EDA Agent Loop：熟悉数字芯片设计全流程（RTL → 综合 → 验证 → 后端），能够将 EDA 工具链集成到 Agent 迭代循环中，构建 "生成 RTL → 工具验证 → 反馈评估 → 改进设计" 的闭环优化环境；了解后端 PnR 参数调优、时序收敛、版图优化等迭代流程，能够将布局布线阶段的多维反馈（时序/拥塞/功耗/面积）纳入 Agent 优化循环。 （2）Verification & Rewarding：具备 Verilog/SystemVerilog 读写能力，能够设计面向 RTL 生成与功能验证的评测体系与训练数据流水线，探索 Agentic 的功能性验证和形式化验证方法。 （3）AI for EDA Research：关注 AI for EDA 前沿进展，能够将学术界的训练范式落地为可复现的训练方案，在业界评测集上验证并推动芯片设计能力的持续演进；同时关注模拟电路设计、MEMS 及其他非数字电路领域的 AI 落地机会，具备将 Agent 迭代优化范式从数字拓展到模拟、混合信号及微机电系统等方向的研究与落地能力。
关于我们 加入国民级出行平台，与最优秀的研发、设计伙伴并肩，用前沿技术（AR、大模型等）解决千万驾车用户的真实出行痛点。 岗位职责： 1、定义下一代出行体验：聚焦驾车核心场景，主导产品从概念到落地的全流程设计，让产品"既好看又好用"，你的每个决策都将影响千万用户的出行日常； 2、用AI驱动体验跃迁：将大模型、生成式AI等前沿技术与出行场景深度结合，推动产品从"工具"向"智能伙伴"进化； 3、用数据驱动持续迭代：深入理解用户需求，以数据验证假设、衡量效果，持续打磨让用户"尖叫"的产品细节。
负责政企专有云平台的安全体系建设与日常运营，统筹云内安全产品运维、云外安全设备管理及合规评测全流程，保障平台安全稳定运行。该岗位需驻场客户现场，作为平台安全的第一责任人，在高压环境下独立推进安全运营工作，并通过业务梳理与AI工具应用持续提升安全运营效率。 一、云平台安全产品运营 负责云平台内置安全产品的部署、配置、策略优化及日常运维，包括但不限于云盾（DDoS防护/主机安全）、Web应用防火墙（WAF）、安骑士（主机入侵检测与基线核查）、加密机（密钥管理与数据加密服务）等。定期审视安全策略有效性，结合业务变化动态调整防护规则，确保安全能力与业务需求匹配。对安全告警进行分级处置，建立从告警发现、研判分析到闭环处置的标准化流程，持续降低误报率并提升威胁响应时效。 二、云外安全设备管理 负责传统安全设备的运维与策略管理，包括下一代防火墙四至七层访问控制规则的规划、配置与审计，IPS/IDS入侵防御系统的特征库更新与自定义规则调优，API安全网关的检测策略配置与异常流量分析等。定期开展安全设备健康巡检与性能评估，推动老旧设备迭代替换方案落地。配合网络团队完成安全域划分、边界隔离及跨域访问管控，确保纵深防御体系完整有效。 三、大型系统与网络安全维护 承担平台整体安全架构的日常维护与应急响应，覆盖操作系统加固、中间件安全配置、数据库访问审计、容器运行时安全等多个层面。参与重大变更的安全评审，对高风险操作制定回退预案并全程监护。主导或参与安全事件的调查溯源，输出根因分析报告并推动整改措施落地。建立安全知识库与应急预案体系，定期组织攻防演练与安全培训，提升团队整体安全实战能力。 四、合规评测全流程支撑 作为平台侧合规对接人，统筹推进等级保护测评（三级及以上）、商用密码应用安全性评估（密评）、安全审计评测等合规认证工作。熟悉各类评测的标准要求、测评流程及材料准备规范，能够独立完成差距分析、整改方案制定、证据材料整理及现场测评配合。推动合规检查项的自动化采集与归档能力建设，将周期性合规验证从人工逐项核对升级为系统化、可持续的自动化合规运营。 五、AI驱动的安全运营提效 主动梳理安全运营中的重复性、高耗时业务场景（如告警研判、日志分析、合规材料生成、策略巡检等），沉淀为可结构化的业务知识。探索并落地AI工具在安全运营中的应用，例如利用大模型辅助告警分类与威胁情报关联分析、自动生成合规报告初稿、智能化策略推荐等，切实提升个人及团队的工作效能。持续关注AI安全领域的新技术与新方法，推动安全运营能力的持续进化。
1、承接政企事业部项目交付履约，对整体项目交付预实偏差、客户交付满意度、质量内控负责； 2、负责项目收入管理，与业务线协同支撑收入目标与回款目标达成； 3、负责持续优化项目交付模式和交付流程，降本增效的同时构建项目交付竞争能力； 4、管理客户声音，跟进客户共性问题，协同业务、产研、履约能力中心等团队完善服务流程和产品/服务改进，达成客户满意度管理目标； 5、协同各团队制定大客户服务策略和能力建设，做深客户服务识别二次商机推动复购。
• 客户现场专项技术负责人 • 如网络专项、数据库专项 • 平台稳定性重大变更方案制定与实施 • 如性能/存储优化、底座改造等 • 现场故障应急执行 • 协助原厂尽快恢复平台运行 • 关键时刻现场保障 • 如客户平台隐患深度排查与治理，复杂问题原因定位及解决
1. Reward / Rubric 设计：和领域专家一起把领域专业判断（漏洞是否成立、时序是否收敛、回答是否可用等）拆成可自动化验证的评分规则，覆盖硬验证（工具退出码 / 规则）+ 数值指标 + milestone + LLM judge 的多层组合；根据任务特性选择合适的奖励形态——dense reward（过程 / 分步奖励）、sparse reward（结果奖励）、process / outcome reward、reward shaping 与多目标加权，设计可训练、抗 hacking 的奖励信号。 2. RLVR / RLHF 训练落地与反查：用设计出的 reward / rubric 真实训练模型（SFT / GRPO / DPO / RLVR / RLHF），独立跑通训练闭环，从训练曲线与 benchmark 结果反查 reward 与数据的问题，形成"设计 → 训练 → 反查"迭代闭环。 3. Reward Hacking 识别与改正：识别评分规则里可能被模型钻空子的路径，定位训练中出现的 hacking 现象并改正规则 / reward，对已上线 rubric 做持续 hacking 检测与规则加固。 4. RL 数据筛选与领域标注转化：对海量候选数据做面向 RL 的精筛，识别"表面合理但实际错误"、难度合适、覆盖度合理的样本，设计筛选阈值与采样策略，平衡数据规模与质量；把领域标注标准与规范转成 reward 计算逻辑与训练样本，与专家共同定义黄金集与奖励信号。 5. 效果验收：持续跟踪 rubric / reward 上线后对训练效果的实际提升，输出版本管理与效果对比报告，给出下一版迭代方向。
1. 千问 C 端数据体系设计与 Bad Case 挖掘：针对千问 C 端多种真实使用场景（日常问答、对话/多轮、办公类任务、开放性问题、安全对齐等）做结构化拆解（意图分类、场景分级、任务原子化），设计可复用的任务模板与数据构造方式；从线上真实对话与模型 rollout 中系统性发现 bad case（回答错误、意图误判、答非所问、拒答过度、多轮体验断裂、安全对齐问题等），做根因分类并输出结构化改进清单，驱动数据补充与评测修正。 2. 用户意图识别与问答/开放性问题分析：对 C 端多样化、口语化、含糊或多意图的真实 query 做意图拆解与分类，还原用户真实诉求，沉淀可复用的意图体系；覆盖高频日常问答（生活/办公/学习/常识/信息查询）分析回答的准确性、有用性与完整性；针对无标准答案的开放性问题（观点表达、创作、多轮探讨、复杂推理）设计可评价的质量维度，把主观判断拆成可校验、可自动化的子问题。 3. 大模型行为轨迹生产与激励标注、Rubric 共建：驱动大模型在真实 C 端场景中产出推理与操作轨迹，设计多阶段过程激励（Process Reward）与结果激励（Outcome Reward）标注方案；与 Rubric 团队一起把主观体验类判断（回答质量、有用性、安全性、意图满足度）拆成可自动化验证的评分规则，识别本方向 rubric 的领先能力点，将数据转化为可用于 SFT / DPO / RLHF 的高质量训练样本。 4. 外部专家与标注生态管理：负责外部专家 / BPO 众包的需求定义、标注规范撰写、任务分发、试标校准、答疑、抽检验收与分歧仲裁，通过流程、模板与工具优化持续提升人效与标注质量、降低单位成本，构建"内部研发 + 外部众包"的双轮驱动数据管线。 5. 与模型团队协同推进：作为数据侧对接人，与产品、算法、评测团队深度协作，读得懂千问 C 相关 benchmark 与线上指标，参与能力评测集设计、数据配比与训练策略制定，定位模型能力短板并反推所需数据，推动"数据 → 模型 → 评测"闭环。
1. 数据链路搭建与治理：搭建端到端的数据处理链路（采集 → 清洗 → 加工 → 挖掘 → 增广 → 质量校验 → 筛选 → 输出），对接线上 rollout 产生的原始数据（轨迹、日志、执行结果、用户反馈），保证数据可追溯（血缘管理）、可复现（版本管理）、可观测（关键指标监控）。 2. 数据清洗、加工与质量校验：对海量原始 / 脏数据做去重、去噪、过滤无效样本、格式规整、脱敏与结构化，并做二次加工（改写、结构补全、难度分级、标签规范化）；建立质量校验机制（规则质检 + 模型质检 + 双标一致性 + 金标抽检），系统性检测脏数据、偏见与分布异常，保证出库数据质量可量化、可迭代。 3. 日志与 Rollout 轨迹分析处理：对模型运行日志、工具调用日志、系统日志做解析、清洗、结构化，从噪声中抽取可用信号；对模型多步执行轨迹做逐步解析与标注（正确性 / 必要性 / 思考质量 / 整体 reward），识别冗余操作、隐性副作用与轨迹异常。 4. Bad Case 分析挖掘与高价值样本挖掘：系统性发现 bad case（执行失败、输出低质量、轨迹异常、用户投诉）并做根因分类（模型能力 / 数据分布 / 任务定义 / 环境依赖），输出结构化报告驱动数据补充与评测修正；从海量数据中挖掘高难度任务、罕见场景、易错 case、真实需求分布等高价值样本，建立规则 + 模型 + LLM 多信号融合的挖掘策略，并用 LLM-as-judge / 质量评分做精筛，识别"表面合理但实际错误"的样本。 5. 数据增广与合成：基于 LLM 对已有样本做变体生成、难度扩展、场景泛化，补充训练数据中的稀缺类型，并验证增广 / 合成数据质量，确保样本可直接用于训练。 6. 与算法、标注团队协同：与训练团队对齐"下一轮需要什么数据"，与标注团队对齐"什么样的数据值得标"，把数据挖掘变成模型能力提升的持续供给。
对云图标品渠道整体业绩负责 制定并拆解云图产品线的年度/季度渠道销售目标与增长策略，带领团队完成从线索获取、商机转化、合同签署到回款的全销售闭环，对渠道营收和利润结果负责。 搭建并运营规模化渠道体系 独立开拓、发展并管理云图产品的渠道合作伙伴生态，包括区域代理商、行业 ISV、解决方案伙伴等；制定渠道分层分级策略、合作政策、激励体系与赋能机制，推动伙伴规模化产出。 洞察市场需求，驱动产品迭代 深入理解企业客户对云图/位置智能标品的核心诉求，分析行业趋势与竞争格局，将一线客户和渠道反馈转化为产品优化与解决方案升级的关键输入。 主导重大项目落地 负责重大标杆客户或战略渠道项目的商务谈判、合同签署、交付协同与回款跟进，推动跨部门资源高效整合，确保项目高质量落地。 管理销售团队，提升团队作战能力和凝聚力。 任职要求： 4、良好的销售团队管理能力。
1、客户需求洞察与方案设计 理解基础大模型行业客户的业务场景、技术架构与技术战略优先级，挖掘潜在需求，输出云与AI全栈方案及实现路径。 作为解决方案专家与客户共建云和AI技术方案，识别合作机会，提出前瞻性架构设计，成为客户可信赖的伙伴。 2、技术策略制定与项目赢单 针对复杂客户，制定产品选型策略与技术路线图，将阿里云全栈AI能力与业务需求结合，推动技术落地采用。 面向客户高层，讲清技术价值与业务收益，引领AI转型，推动重点项目签约。 识别并管控技术与项目风险，协同产研与交付团队履约，实现收入转化与客户满意度提升。 3、售前引导与实操能力 围绕AI算力、通用算力、存储与网络需求，通过标杆案例和场景化演示展示产品优势，使技术方案与业务目标深度绑定。 主导PoC测试与方案选型，对结果负责，在安全、稳定、性能、可持续性与运行效率上给出技术建议。 4、能力沉淀与行业影响力 沉淀可复用知识资产：行业云架构模板、AI方案最佳实践、标杆案例。 组织内外部技术沙龙与分享，传播阿里云最佳实践，建立行业影响力。 5、产品需求与改进反馈 识别平台技术问题与机会，向产品团队传递客户需求，影响功能迭代与产品路线图。 反向推动客户体验类问题的内部闭环，促进产品方案与流程体系改进。
1、深入客户业务一线，通过访谈与跟岗拆解现有流程，找到断点和效率瓶颈，设计 AI 驱动的人机协同新流程，输出 SOP 并推动变革落地。 2、围绕"业务价值 × 可落地性"设计 AI 场景，完成从方案到 POC 的端到端验证——让效果看得见、算得出、讲得清。 3、基于千问办公/Qwen 大模型搭建 Agent，完成 Prompt 工程、RAG 知识库、工具编排与多 Agent 协作；通过 MCP 打通客户 ERP/CRM/OA 等核心系统，用 A2A 协议实现跨系统互操作。 4、作为客户侧技术主接口，从规划到上线全程把控，建立 ROI 跟踪与效果迭代机制，跑通"规划→落地→迭代"闭环。 5、培养客户内部种子用户，通过培训、工作坊和实操陪跑，让客户团队能自己搭、自己改、自己推广。 6、持续挖掘新场景与扩容机会，将一线洞察转化为商机线索，助力增购与续约。 7、沉淀可复用的方案与工具集，把实战经验反哺产品团队，推动产品持续进化。
1、负责优酷 iOS App 的功能开发与迭代，独立完成模块的方案设计与落地交付； 2、持续优化 App 的性能、稳定性与用户体验，参与线上问题的定位与修复； 3、与产品、设计、后端协作，保证需求高质量按时交付；
1、负责儿童动画项目前期美术整体规划与视觉风格设定 2、与团队深度协作，准确理解项目需求，完成前期核心美术设计（角色+场景） 3、利用AI工具辅助创意发散与风格探索，建立高效的AI辅助创作流程，持续提升前期研发效率 4、管理、整合并维护前期美术素材资源库，制定资产规范，推动设计资产的复用与沉淀
1、策划与世界观构建：基于6-12岁少儿内容定位，独立构思动画IP，包括世界观设定、核心主题、角色性格与成长弧线等； 2、剧本创作与节奏设计：利用AI进行创作，深度理解不同少儿内容风格的市场趋势，利用AI探索故事风格，并完成故事的全流程写作，并衔接下游环节。 3、跨部门协同：输出标准策划案（含角色设定卡、场景说明、目标清单）及分镜级剧本，支持美术、动画、音频团队高效执行；参与用户测试反馈迭代，优化技术-内容的制作链路。 4、儿童研究： 对中国儿童心理有基本理解，确保内容健康、有趣且具有启发性。 加分项： 1、Prompt化创作： 将文学剧本拆解为适合AI生成的“结构化描述词”，辅助导演可视化的产出； 2、深度理解儿童音乐市场趋势，能与作曲/剪辑团队协作，将教育目标嵌入旋律、歌词与节奏中；熟悉经典儿歌改编逻辑，在保留传唱度的同时注入新角色、新情境与现代价值观（如多元文化、环保意识）。
1、负责动漫行业IP的商务谈判及授权工作； 2、制定全年动漫行业IP授权业务规划并跟进执行； 3、维护与海外及国内IP版权方的业务合作关系； 4、负责与内部团队的对接协同及落地执行工作； 5、项目综合管理，确保项目按进度及计划执行。
1、全渠道发行规划： -制定动画片在国内市场的发行策略（电视、流媒体、短视频平台地铁/航空等渠道），排播计划； -分析观众画像与数据反馈，优化发行策略（如调整播出时段、内容剪辑方向等）。 2、版权管理与合作： -协助负责版权洽谈、合同签订及收益分配，负责采购合同内容的执行，版权链审核，介质以及节目上线跟进； -协助拓展和维护各大动画公司、版权方、出品方及制片方等客户关系，敏锐捕捉市场需求，推动资源置换与联合推广。 3、行业趋势研究： -跟踪国内动画市场动态、政策法规（如广电备案、文化政策等）； -竞品分析与商业模式研究，提出最优发行模式（如分账、会员专享）。 4、跨部门协调： -IP商业化协同：联动衍生品、游戏、线下活动等部门，挖掘动画IP的长线商业价值； -协同市场团队策划发行期营销活动（社交媒体话题、周边联动）。
1、了解GPU/GPGPU/NPU体系结构、运算单元，数据通路和指令流 2、有fabric/xbar/DMA/cache/memory controller相关数据通路验证经验 3、有AI core运算单元或数据整形相关验证经验 4、熟悉APB/AXI等AMBA总线协议 5、熟练掌握SystemVerilog和UVM，深入了解验证方法学
1. 设计和搭建大规模芯片级和模块级验证环境，制定cache/互联相关功能的验证策略。 2. 执行功能/集成以及门级仿真等有效验证方法来确保设计满足规格要求。 3. 分析和解决故障与问题，确保验证进度，交付完全验证的总线互联相关功能设计。
1. 负责 MMU （包括但不限于TLB、PTW、地址翻译子系统）的端到端验证以及子系统级集成验证 2. 制定 MMU 相关验证策略和验证计划，覆盖地址翻译、权限检查、异常处理、TLB 管理、页表遍历、多级翻译等关键功能场景。 3. 与架构、设计、性能、软件及系统集成团队紧密合作，分析并定位 MMU 相关功能问题、边界场景问题及系统集成问题。
1. 设计和搭建大规模芯片级验证环境，制定相关功能的验证策略。 2. 执行功能/集成/低功耗/性能验证以及门级仿真等有效的验证方法来确保性满设计满足功能和性能要求。 3. 分析和解决故障与问题，确保验证进度，交付完全验证的SOC设计。
1. 通过对高德场景的洞察及市场调研，结合 APP 资源及生态流量现状，负责设计符合场景特点和用户需求的互联网保险或金融产品。 2. 负责保险（toB场景险种）/金融（信贷/抵押贷）产品的规模化发展方向，制定和引领业务的快速增长方案，并于运营、行业、技术等团队沟通，确保产品功能能够准确、按时实现。 3. 跟踪产品上线后的运营情况，分析用户反馈和数据指标，即使优化产品策略，并形成迭代方案，从而提升用户体验和产品价值。且关注高德整体业务发展和行业趋势，持续优化产品功能和用户体验，推动产品创新和相关能力沉淀。 4. 关注并探索 AI 技术在金融商业化场景中的应用，能够识别业务流程中可被 AI 重塑的关键环节，推动 AI 能力与业务流程的融合落地，持续提升商业化效率与用户体验。
阿里云PAI团队致力于打造业界一流的一站式AI平台，拥有万卡级训练能力与超大规模异构资源调度技术，为复杂模型训练与推理任务构建坚实基座。PAI平台不仅是通义大模型研发与落地的核心基础设施，也作为公共云服务的关键载体，支撑众多行企业构建大模型核心业务。平台提供从数据标注、预处理、模型训练、推理服务到开发环境与工作流调度的全链路工程支持，全面覆盖AI项目从实验探索到规模化落地的完整价值链。作为大模型训练系统研发工程师，您将深度参与以下工作： 1. 负责PAI深度学习引擎的核心研发，重点突破MoE大规模训练、多模态（VLM/VLA）及Agentic RL（智能体强化学习）等前沿框架，覆盖Pretrain、SFT、RLHF/RLAIF等全生命周期训练任务的框架优化。 2. 针对超大规模模型负载，系统化分析训练各阶段瓶颈，通过数据加载加速、算子融合优化、通信库调优及分布式策略改进等手段，提升训练吞吐率。 3. 深入异构硬件底层，实现训练框架对多种新型加速卡的高效适配与性能调优。 4. 设计并实施超大规模训练任务的稳定性保障方案，构建高精度的故障检测与自动自愈系统；优化任务启动速度与断点续训机制，显著提升有效训练时长和任务成功率。 5. 构建智能体与环境交互的轨迹追踪系统及多种业界Benchmark适配体系，为LLM、自动驾驶、具身智能等领域提供便捷的底层基础设施支持。 6. 负责线上环境的实时监控、异常定位与性能诊断，建立快速响应机制；为头部客户提供专家级技术支持，保障平台服务的高可用性与高稳定性，助力客户业务顺利落地。
团队介绍：飞书商业化团队（Go to Market）负责将飞书先进产品和服务全面推向中国和国际市场，通过制定精准的业务战略，进行破圈的市场营销，深入理解不同行业的趋势和特点，传递飞书的理念和价值给不同行业的企业客户并达成业务合作，帮助客户加强使用深度和广度，最终让飞书成为各行各业先进企业的首选、持续助力企业组织升级。目前已在中国、新加坡、美国、日本等国家和地区建立了商业化团队，开启了为全球各行各业组织和个人提升创造力和效率的历程。 1、负责学员招募与选拔：操盘招生全流程，拓展优质生源；通过1v1深度沟通摸底候选人企业背景、AI落地阶段与学习需求，完成选拔匹配，持续优化生源质量； 2、负责学员学习运营：统筹课程学习全流程，涵盖进度跟进、分组研讨、开班及结营答辩等关键节点；跟进学员课后实践，组织复盘与经验分享；联动教研团队收集反馈、沉淀案例，支撑课程与陪跑优化； 3、负责班级建设与学员关系维护：营造互信共创的班级文化，运营学习社群，搭建高价值同学网络，促进学员间跨界连接与资源对接；及时响应需求，通过班级活动增强归属感与凝聚力； 4、负责标杆企业走访与交流活动：策划组织标杆企业参访、行业闭门沙龙等线下活动；拓展走访资源，提升活动质量与参与度； 5、负责校友关系运营与品牌宣发：搭建运营长期校友网络，建立互动、回访与活动机制；挖掘优秀学员案例，协同市场团队推动公开分享与行业传播；维护校友社群生态，提升项目品牌影响力。
1、深度理解研发团队业务规划、技术路线与项目节奏，支撑组织架构设计、研发效能、跨团队协作等人员与组织工作； 2、结合公司政策和组织发展需求，有效实施落地组织人才管理，包含人才培养、薪酬绩效、员工关系等人力资源工作； 3、结合技术发展等趋势，应用专业理论、方法、工具，为团队的发展提供HR定制化解决方案，比如AI对研发团队的组织人才的影响； 4、HR横向专项：牵头与参与1-2个HRBP的横向项目的设计和落地，比如文化建设、干部管理、人才培养、组织精干等项目。
团队介绍：我们通过部署先进的安全系统、推行标准化操作流程，构建基于零信任的安全防护体系，提升字节跳动全球办公环境的整体安全态势。我们坚持以主动预防为核心，同时构建敏捷高效的安全响应能力，为全球办公环境提供持续、可靠的安全保障。 1、建设安全风险治理框架：设计集团安全风险分类、评估范围和治理流程；持续维护通用数据分级分类标准、安全控制基线等安全标准； 2、推动控制左移与系统性整改：将安全事件、信息安全违规案件、威胁情报、漏洞和攻防演练发现转化为控制缺口；推动业务和平台团队建设前置、自动化、可验证的安全控制；重点推动身份与权限治理、数据保护、DLP、零信任、日志审计和安全开发控制； 3、管理整改、例外和风险接受：建立安全问题分级、整改SLA和升级机制；对无法及时整改的风险，要求明确补偿控制、责任人和失效时间；确保重大剩余风险由具备权限的业务负责人正式接受；定期向安全负责人和公司管理层报告风险趋势及资源诉求； 4、建设风险治理数据与平台：推动风险库、控制基线、安全评估、整改工单和平台证据之间的数据关联；建设管理层风险看板，展示风险暴露、控制覆盖、关键缺口和剩余风险；用风险下降和控制有效性衡量团队价值，而不是用发现问题数量衡量。
