大模型算法工程师（可靠性方向）-小荷健康

1、定义医疗AI的真实世界能力体系，面向用户的多模态、多轮交互和连续健康管理任务，建立大模型在证据使用、对话决策、多模态理解、长期记忆和复杂任务完成中的能力框架； 2、建设动态医学知识与证据体系，面向大模型推理、证据使用和长期记忆，构建可更新、可追溯、可核验的医学知识与证据底座，并将真实用户反馈沉淀为可回流的知识资产； 3、定义面向医学任务的大模型能力框架，围绕多模态大模型、Agent和LLM Harness，定义医学任务中的工具调用、记忆管理、证据组织、任务编排和行为边界； 4、从海量真实交互中发现能力边界，从用户多模态交互中识别有价值的反馈信号，发现模型在理解、推理、记忆和任务完成中的关键问题，并转化为算法、数据和系统迭代方向； 5、推动算法能力进入生产系统，在由算法、研发、产品、运营和医学等角色组成的跨职能团队中，将模型能力、知识体系和反馈链路嵌入产品系统，支持模型迭代和产品演进。

1、计算机、人工智能、统计、数据科学、生物医学工程或相关专业优先； 2、在大模型算法、Agent/RAG/Tool Use/Memory、多模态理解、模型对齐、AI可靠性、真实世界数据分析或医学知识与证据体系中至少一个方向有可证明的项目、研究或工程产出； 3、理解LLM的能力边界与常见失效模式，熟悉Agent、RAG、多模态模型或LLM Harness中至少一个方向的方法与评估要点； 4、具备从方法设计、数据处理、实验验证到错误分析的完整执行能力，能够将开放问题转化为可迭代的算法方案。 加分项 1、在医疗AI研究或部署中有可证明的产出；医学、临床、药学或公共卫生背景；理解GRADE、Systematic Review、临床证据等级等循证医学方法者； 2、在ICML、ICLR、NeurIPS、ACL等AI会议发表过AI安全、对齐、RAG、评测相关研究； 3、在同行评议医学期刊有医疗AI、临床决策或循证医学相关产出； 4、在Fact-Checking、Hallucination Detection、Red Teaming等方向有公开工作。