职位描述
1.健康风险及生命建模：面向医疗健康相关场景，基于用户的长时序纵向电子健康记录数据，主导生命模型相关核心算法研发；
2.大模型预训练/后训练与优化：针对生命模型相关业务场景，主导大语言模型（LLM）的预训练/后训练全流程优化。运用监督微调（SFT）、思维链（CoT）推理、强化学习（RLHF/DPO/GRPO）等技术，提升模型对复杂医学文本的理解、临床循证推理及长序列时序特征的捕捉能力；
3.多模态与长时序特征融合：研究并设计面向不规则采样、多模态医疗数据的表征学习与融合算法，解决长程时序依赖与缺失值问题，提升生命模型的精准度与可解释性；
4.高质量数据与评测体系建设：主导生命模型相关数据集的构建，建立贴合真实临床场景的模型评测体系，通过持续迭代优化模型在真实业务中的表现；
5.前沿技术探索与业务赋能：跟踪大模型在医疗时序数据分析、因果推断及不确定性量化等领域的最新进展，将前沿算法转化为可落地的业务解决方案，赋能临床辅助决策等业务场景。任职要求
1.学历与专业背景：面向2025-2027届应届生，计算机、人工智能、数学、生物医学工程等相关专业硕士及以上学历；
2.核心算法与实战经验：具备扎实的深度学习基础，有基于纵向电子健康记录（EHR）或真实世界健康场景数据（RWD）进行疾病风险预测、生存分析或时序建模的实际项目/研究经验；
3.大模型后训练技术栈：熟练掌握大模型后训练核心技术，在SFT、CoT、RLHF、DPO等方向有深入理解与实操经验，了解如何将大模型能力应用于结构化与非结构化医疗数据的联合建模；
4.工程与数据处理能力：熟练使用Python和PyTorch，熟悉Transformer架构及主流开源大模型（如LLaMA、Qwen、DeepSeek等），具备处理大规模复杂医疗数据（如ICD编码映射、非结构化文本抽取）的工程能力；
5.业务理解与跨学科协作：对医疗健康相关业务有浓厚兴趣，具备良好的逻辑思维能力，能够与医学专家或业务团队有效沟通，将临床/业务需求转化为可研究的算法问题。
加分项：
1.在 NeurIPS/ICML/ICLR/ACL/MLHC 等国际顶会发表过医疗AI、时序预测或大模型后训练相关的高质量论文；
2.有处理大规模真实医院EHR数据的实战经验，熟悉医疗数据合规与脱敏流程；
3.熟悉多模态医疗大模型、医学知识图谱或因果推断相关技术，有相关开源项目或竞赛获奖经历；
4.具备医疗智能体（Agent）或检索增强生成（RAG）在医疗场景下的落地开发经验。
