Ling Team 聚焦百灵模型家族的核心算法创新。 我们关注的不只是 benchmark 指标，而是： 1.极限深度思考能力； 2.长程推理与规划能力； 3.Agentic 执行与真实世界决策； 4.在工业规模下可持续扩展的训练范式。 在万亿参数与百万亿 token 规模下，算法设计必须与系统规模协同演化。 本岗位将参与模型架构、预训练策略与强化学习范式的核心设计，推动模型能力边界的持续扩展。 我们寻找的不是只优化 loss 和 benchmark 的研究员，而是能参与定义下一代通用语言模型能力形态的人。 主要职责包括： 模型架构创新 1.设计与优化 Transformer / MoE / 混合 Attention 等架构； 2.探索高效计算结构与能力提升之间的 trade-off； 3.建模与验证 架构/超参/数据 Scaling Laws； 4.设计支持长上下文与深度思考的结构机制； 5.与系统团队协作完成架构级 co-design； 6.探索针对记忆机制的架构设计和训练方式。 超大规模预训练策略 1.设计大规模预训练目标，建立预训练模型能力的定量评估框架； 2.优化 optimizer、数据配比与编排策略； 3.构建 mid-training 与能力迁移机制； 4.在百万亿 token 规模下验证训练假设。 后训练与强化学习范式 1.优化基于 SFT / RLVR / Agentic RL / RLHF / distillation 的后训练范式； 2.构建“正确性 × 过程质量 × 信息密度”复合奖励机制； 3.优化 reasoning 与 tool-use 协同能力，实现周级别的长程工作能力； 4.推动强化学习在工业规模上的稳定训练； 5.设计 multi-agent RL 协同训练与工作范式。