岗位职责： 1、基础模型/大模型的任务定向优化与系统级加速： 1）基于公司内部大规模研发数据（蛋白序列/结构、分子结构、实验读数、筛选与验证数据等），对开源基础模型/大模型进行微调（Fine-tuning）与参数高效适配（PEFT/LoRA/Adapter 等），覆盖表征、预测、生成与多模态等模型形态； 2）面向药物研发核心任务提升模型效果与泛化能力，包括结构与性质预测、亲和力/活性回归、选择性评估、ADMET 预测、对接/打分与生成式优化等，解决跨靶点、跨化学空间、跨实验体系的分布偏移与迁移问题； 3）优化训练与推理效率，包含数据管线、显存与吞吐、混合精度、分布式并行、推理加速等，沉淀可复用的训练范式、评测基准与误差分析流程。 2、化学/生物基础模型研发 1）依托公司高质量实验数据与计算数据（高通量筛选、亲和力/功能实验、结构数据、模拟数据等），设计并训练面向研发场景的科学基础模型； 构建多模态统一建模框架，支持序列/结构/图/文本/实验条件等输入，并实现结构预测、属性回归、分类判别、生成与优化等多任务输出； 2）建立可解释性与不确定性评估能力，支持候选筛选、实验优先级排序与研发决策。 3、模型工程化与平台部署 1）负责模型推理优化与高吞吐服务：批量推理、并发与缓存、显存管理、量化与编译加速（ONNX/TensorRT/torch.compile 等），支撑大规模虚拟筛选与生成式设计； 2）开发模型服务化接口与工作流集成，对接公司内部药物发现平台，支持在线/离线推理、任务编排与权限控制； 3）搭建模型版本管理、实验追踪、线上监控与 A/B 测试体系，实现可复现、可回滚、可持续迭代的工程闭环。 任职要求： 1、计算机科学、计算化学、计算生物学/生物信息学、生物物理或相关专业，硕士及以上学历，博士优先； 2、3 年及以上深度学习模型训练经验，具备大规模模型训练或微调实战经验优先（十亿参数级或大规模数据/多卡训练经验）； 3、熟练使用 PyTorch 或 JAX，熟悉分布式训练与加速框架（DeepSpeed / FSDP / Megatron-LM / XLA 等）； 4、深入理解主流深度学习架构与训练范式，包括 Transformer、生成/扩散模型、图神经网络、3D/等变网络（E(3) 等）； 5、具备 AI4S/药物研发相关建模经验； 6、加分项： 1）在 AI4S/化学/生物方向顶会或期刊发表论文，或在公开基准/竞赛中取得优秀成绩； 2）具备分子模拟/自由能/MD/QM 等计算化学经验，或熟悉自动化实验与高通量筛选数据闭环； 3）具备药物研发流程经验（Hit Discovery / Lead Optimization / ADMET / DMPK 等），能将模型能力转化为可用的研发指标与决策工具。