The posting
岗位定位 Technical Project Manager 属于工程师序列，负责大模型后训练相关项目的技术推进与工程交付，协助项目负责人持续跟踪各研究方向的进展，推动数据、训练、评测和 Harness 验证形成闭环。 这个岗位不是传统项目助理，也不是只负责排期、会议和信息同步的项目经理。候选人需要理解大模型后训练的基本技术链路，能够深入实验与工程现场，识别数据、算法、训练基础设施、评测和系统集成中的关键问题，并通过自动化工具、实验平台和工程流程推动项目落地。 后训练不能脱离 Harness 单独优化。Harness 既是模型能力的应用载体和验证环境，也是训练信号的重要来源。模型在真实任务中的成功率、运行轨迹、工具调用、异常行为和失败案例，应当持续反哺数据构造、奖励设计、训练策略与评测体系。该岗位需要推动后训练与 Harness 协同演进，使模型能力提升最终能够转化为复杂任务中的稳定表现。
核心职责 - 协助项目负责人管理大模型后训练项目，维护各研究方向的负责人、技术目标、实验计划、依赖关系、里程碑和交付状态，持续识别阻塞项并推动解决。 - 深入参与 SFT、偏好优化、强化学习、奖励模型、数据合成与数据治理等后训练工作，理解各研究点的技术假设、实验设计、资源需求和验证标准。 - 建立并维护后训练项目的工程化管理体系，统一记录和管理实验配置、数据版本、代码版本、模型版本、训练任务、评测结果和关键技术决策，保证实验过程可追溯、结果可复现。 - 监控训练与评测过程中的工程风险，包括数据质量、训练稳定性、指标漂移、评测污染、版本不一致、算力利用率和结果不可复现等问题。 - 组织技术评审和阶段复盘，根据实验结果和工程证据判断研究方向是否继续、调整或停止，并推动有效方法沉淀为可复用的数据管线、训练组件、评测集和工程规范。 - 在 AI 辅助下高效产出并维护实验看板、训练脚本、评测工具、技术方案、项目周报、风险清单和运行手册；我们不需要只转述进度、只组织会议的人。
通用要求
- 本科及以上学历，计算机、人工智能、软件工程、数据科学等相关专业优先；具备与岗位要求相匹配的工程实践经验者，可不受专业背景限制。
- 理解大模型后训练的主要技术链路，包括数据构造与治理、SFT、偏好优化、强化学习、奖励设计、模型评测和版本迭代，能够与研究员和工程师使用同一套技术语言讨论问题。
- 具备真实的机器学习、大模型训练或复杂技术项目推进经验，能够理解研究假设、实验设计、工程依赖和评测结果，并将其转化为清晰的项目计划与验收标准。
- 熟悉基本的软件工程协作方式，包括 Git、代码评审、任务管理、版本管理、自动化测试和持续集成；能够推动实验流程和项目管理过程实现自动化与可追溯。
- 具备较强的实验与数据意识，能够围绕研究目标定义指标、设计对照实验、分析异常结果，并区分模型能力问题、数据问题、评测问题和 Harness 工程问题。
- 具备较强的项目 ownership，能够在研究目标尚未完全明确、技术方案持续变化、算力与人力资源有限的情况下，识别关键路径、拆解任务、协调资源、管理风险并推动结果交付。
- 具备优秀的中文写作和跨团队沟通能力，能够清晰编写技术方案、实验计划、进展报告、风险清单和复盘文档；能够使用英文阅读论文、技术文档并进行基础技术沟通。
- 熟练使用 Codex、Claude Code、Cursor 等 AI 编程工具提升研发和项目管理效率，同时能够独立判断生成结果的正确性、工程风险和适用边界。
加分项
- 有 SFT、RLHF、RLAIF、DPO、PPO、GRPO、奖励模型、过程监督或 Agent 后训练等相关项目经验。
- 使用过 PyTorch、Transformers、DeepSpeed、Megatron-LM、Ray、vLLM 等训练或推理工具，并对分布式训练、推理服务和 GPU 资源调度有基本理解。
- 参与过训练数据管线、实验管理平台、模型评测平台、Agent Harness、开发者工具或机器学习基础设施的建设。
- 有模型训练与 Harness 联合优化经验，能够通过真实任务轨迹定位模型缺陷，并推动失败案例转化为训练数据、奖励信号或回归评测集。
- 有大规模实验管理经验，能够处理数据版本、代码版本、训练配置、模型 Checkpoint 和评测结果之间的一致性与可复现问题。
- 有高不确定性技术项目管理经验，能够主动发现研究机会、组织技术评审、协调跨团队资源，并基于实验结果推动方向调整或终止。
- 在 GitHub、技术社区或开源项目中有可见的代码贡献、工程工具、技术写作或模型训练与评测实践。
- 有机器学习论文复现、开源模型后训练、竞赛或复杂 Agent 系统研发经验。
我们不看重
- 是否拥有 PMP、NPDP 等项目管理证书。
- 是否来自大厂，或是否只熟悉成熟组织中的标准研发流程。
- 只做流程协调、会议组织、进度汇总和需求转发的项目管理经验。
- 只了解模型概念，但无法深入实验、数据、代码、评测和工程现场的工作方式。
- 单纯追求离线指标提升，而不关注模型在 Harness 和真实任务中的稳定表现。
