（来源：上观新闻）
企业简介
科理新序是一家面向科学发现的AI4S公司，致力于构建“AI4S基模×物理AI”双引擎驱动的自进化科学智能系统，打通“认知—设计—实验—反馈—再学习”的干湿闭环。
大模型训练科学家 / 工程师（预训练方向）
（若干）
工作内容：
1、模型训练与架构：负责科学大模型预训练全链路研发；面向科学场景开展模型架构探索与验证，包括统一多模态架构等方向；完成训练任务搭建、稳定性排查与性能调优，持续提升基座模型能力；
2、数据与评测：负责科学领域高质量数据的合成、清洗与构建；搭建面向科学任务的多维度评测基准，以评测结果驱动模型迭代；
3、大规模训练：参与分布式训练系统搭建与优化，提升 GPU 利用率、训练吞吐、稳定性和实验迭代效率；
4、研究探索：持续跟进 Foundation Model、Multimodal Model、Unified Architecture 等前沿方向，并将研究进展快速转化为可验证的模型实验。
任职要求：
1、本科及以上学历，计算机、人工智能、数学或相关理工科专业；
2、具备扎实的深度学习与大模型基础，有 LLM / VLM / Diffusion 预训练项目落地经验，并能提供可验证的结果，如指标、报告、论文或开源项目；
3、熟悉 PyTorch，熟练使用 DeepSpeed、Megatron-LM 等大规模分布式训练框架；
4、了解统一多模态 / 统一架构，有 BAGEL 等相关模型的调研、复现或改造经验者优先；
5、对 AI for Science 有长期兴趣，能够独立推进训练任务和模型实验。
备注：该岗位将参与科学领域基础大模型的研究与工程开发，围绕模型架构探索、训练稳定性调优、大规模训练性能优化等问题开展工作。成果将融入 AI for Science 研发链路，完成数据—训练—评测的持续迭代，产出可落地的模型成果。
加分项：有模型架构创新或统一多模态架构方向的研究 / 工程实践；有大规模训练稳定性治理、吞吐优化、显存优化或故障定位经验；有科学任务评测基准建设经验；有高水平会议或期刊论文；有高质量开源贡献；有 AI 相关竞赛获奖经历。
薪资待遇：面议，核心岗位不受固定区间限制，核心成员拥有期权激励。
工作地区：徐汇区
工作班时：9:00至10:00～18:00至19:00，周末双休
工作性质：全日制
大模型后训练科学家 / 工程师
1、后训练与强化学习：负责科学大模型后训练全链路，包括 SFT / DPO / RLHF / RLVR 等，持续提升模型的科学推理、指令遵循、事实性和复杂任务解决能力；
2、Scientific Reasoning：探索适用于科学问题的长链推理、Verifier、Reward、Test-time Compute 等方法，让模型能够处理更复杂、可验证的科学任务；
3、训练基础设施：保障后训练效率、运行稳定性及训练—推理一致性，持续优化训练吞吐、资源利用率与实验效率；
4、数据与评测：负责高质量 reasoning / trajectory / preference / verifier data 的构建，搭建科学推理与后训练评测体系，以评测结果驱动模型迭代。
2、具备扎实的深度学习与大模型基础，有 LLM 后训练、强化学习或模型对齐项目经验，并能够提供可验证的结果；
3、熟悉 PyTorch，熟练使用 veRL、TRL、OpenRLHF、LLaMA-Factory 等后训练 / 对齐框架中的一种或多种；
4、理解 SFT、DPO、RLHF、RLVR 等方法及其适用场景；
5、对 reasoning model、RL、verifier、test-time scaling 等前沿方向保持持续关注；
6、对 AI for Science 有长期兴趣，能够独立推进后训练实验与模型迭代。
备注：该岗位将参与科学领域基础大模型的后训练与推理能力研发，围绕 SFT、RL、RLVR、模型对齐、科学推理和训练—推理一致性等方向开展工作，让模型能够在复杂科学问题上进行更可靠、更长程和更可验证的推理。
加分项：有 SFT / DPO / RLHF / RLVR 完整项目经验；有 Reasoning Model、Verifier、Reward Model 或 Test-time Compute 相关经验；有后训练性能优化、稳定性保障或训练—推理一致性实践；有高质量 reasoning / trajectory 数据构建经验；有高水平会议或期刊论文；有高质量开源贡献；有 AI 相关竞赛获奖经历。
Scientific Agent / Auto-Research
科学家 / 工程师
1、Scientific Agent：设计和研发 Scientific Agent / Auto-Research 系统，构建从科学问题理解、任务规划、信息检索、工具调用、代码执行到结果分析和自我修正的完整 research loop；
2、Long-horizon Research：探索长程任务规划、Agent Memory、Context Management、Reflection、Tool Discovery / Creation、Multi-Agent Collaboration 等关键问题，提高 Agent 在复杂科研任务中的自主性和稳定性；
3、Scientific Tool Use：将 Agent 接入真实科研工具与环境，包括科学数据库、Python / R、Bioinformatics、Molecular Modeling、Simulation、Scientific Software、Web / GUI 等，不断扩大 Agent 能够自主完成的科研任务边界；
4、Agent Evaluation：构建 Scientific Agent evaluation system，通过真实科研任务、trajectory quality、tool-use success、scientific correctness 和 end-to-end task completion 等指标驱动 Agent 迭代；
5、Self-improvement：与基础模型、后训练和科学数据团队协作，探索 Agent trajectory → training data → model improvement → better Agent 的持续学习闭环。
任职要求：
1、本科及以上学历，计算机、人工智能、数学或相关理工科背景；优秀的跨学科候选人不受专业限制；
2、有 LLM Agent、Auto-Research、Deep Research、Coding Agent、Computer Use 或其他 Autonomous Agent 系统的实际研发经验；
3、具备较强 Python 工程能力，能够独立完成从 prototype、deployment 到 evaluation 和 iteration 的完整研发流程；
4、熟悉 Tool Use、Function Calling、Agentic Workflow、Sandbox / Code Execution 等技术；
5、理解 Agent 的典型 failure modes，包括 hallucination、tool failure、long-context degradation、error propagation、trajectory quality 等问题；
6、能够展示真实的 Agent 项目、运行结果、Demo、Trajectory、论文或开源项目；
7、对 AI for Science 和 autonomous scientific discovery 有长期兴趣。
备注：该岗位将参与 Scinetics Scientific Agent 与 Auto-Research 系统的核心研发，让 AI 能够从开放式科学问题出发，自主完成问题拆解、文献与数据检索、工具选择与调用、代码执行、科学计算、结果分析、反思与迭代，并逐步探索能够进行长程科学研究与自主发现的 AI 系统。这不是一个简单的 RAG、Chatbot 或 Workflow Automation 岗位。我们更关注的是：如何让 Agent 在真实科学任务中持续工作，正确使用复杂科研工具，根据中间结果自主调整研究路径，并最终产出可验证的科学结果。
加分项：开发过能够自主运行较长时间的 Research / Coding Agent；有 Scientific Agent、AI4S Agent 或 Autonomous Research 项目经验；有 Agent Benchmark / Evaluation / Verifier / RL / RLVR 经验；有 Tool Creation、MCP、Sandbox Execution 等相关经验；有 GUI Agent / Computer Use 相关经验；有 Multi-Agent / Agent Memory / Long-context 相关研究或工程经验；有高水平会议或期刊论文；有高质量 Agent 开源项目或 GitHub contribution。
薪资待遇：面议，核心岗位不受固定区间限制，核心成员拥有期权激励
Scientific Data / Data Engine
1、Scientific Data Engine：设计和建设面向科学基础模型与 Scientific Agent 的数据生产系统，从公开科学资源、论文、数据库、科研工具、Agent trajectories 及其他科学环境中持续构建高质量训练数据；
2、科学数据抽取与结构化：处理论文文本、表格、图像、分子、序列、结构、实验记录等异构科学信息，探索自动化 scientific knowledge extraction、结构化和质量控制方法；
3、训练数据构建：围绕 Pre-training、Post-training 和 Agent 等不同训练阶段构建相应的数据集，包括 multimodal data、reasoning data、trajectory data、preference data、tool-use data 等；
4、数据质量与评测：建立数据质量评估体系，研究 filtering、deduplication、contamination detection、difficulty estimation、data mixture 等问题，并通过模型训练实验验证不同数据对模型能力的真实贡献；
5、数据闭环：与 Agent 和科学团队协作，将真实科研过程中的成功路径、失败案例、工具调用和实验反馈转化为新的训练数据，探索持续演化的 scientific data flywheel；
6、数据基础设施：建设可扩展的数据处理 pipeline，支持大规模科学数据的采集、清洗、转换、版本管理和训练调用。
任职要求：
1、本科及以上学历，计算机、人工智能、数据科学、数学、生物信息学、计算生物学或相关理工科专业；
2、有大模型训练数据、数据工程、数据挖掘、信息抽取、Synthetic Data 或相关项目经验；
3、熟悉 Python，具备较强的数据处理与工程能力；
4、熟悉大规模数据处理流程，对数据质量、数据分布和训练效果之间的关系有实际理解；
5、能够从模型训练结果反向分析数据问题，而不仅仅完成数据 ETL；
6、对 AI for Science 有长期兴趣，愿意处理复杂、异构且并不完美的真实科学数据。
备注：该岗位将参与Scinetics 科学数据基础设施与 Data Engine 的核心研发，面向 Foundation Model、Post-training 和 Scientific Agent 持续构建高质量、可训练、可验证的科学数据。我们关注的不只是“收集更多数据”，而是如何将分散在论文、数据库、科学软件、Agent trajectories 和实验过程中的科学信息，转化为能够真正提升模型能力的训练信号，并建立可以持续迭代的数据生产体系。你将与 Foundation Model、Post-training、Agent 及科学团队紧密合作，探索 Data → Model → Agent → Scientific Workflow / Experiment → New Data 的持续数据闭环。
加分项：有 LLM / VLM Pre-training 或 Post-training 数据构建经验；有 Synthetic Data、Reasoning Data、Agent Trajectory Data 构建经验；有 scientific literature mining、PDF / Table / Figure extraction、knowledge extraction 经验；有生物信息学、化学信息学、蛋白质 / 分子 / Omics 等科学数据处理经验；有多模态数据 alignment / representation 相关经验；有大规模数据 pipeline、Ray / Spark / distributed processing 等实践；有数据质量评测、Data Mixture、Data Ablation 或 Data Scaling 相关研究经验；有高水平论文、Technical Report 或高质量开源项目。
AI for Biology / Computational Biology
科学家
1、Biological Foundation Model：参与生命科学基础模型的研究，探索 DNA、RNA、Protein、Structure、Omics、Scientific Literature 和 Experimental Data 等不同科学模态的表示、建模和跨模态学习；
2、Scientific Problem Formulation：将真实生命科学问题转化为可以被模型学习、预测和验证的 computational task，与 AI 团队共同定义训练目标、数据形式和评测体系；
3、Biological Representation：探索 sequence、structure、function、interaction、cell state、phenotype 等不同尺度之间的关系，以及适用于生命科学的 representation 和 multimodal alignment 方法；
4、Generative Biology：参与 Protein / RNA / Molecular Design 等生成式生命科学任务，研究模型如何从 prediction 进一步走向 generation 和 design；
5、Biological Evaluation：设计具有科学意义的 benchmark 和 evaluation，判断模型提升是否真正对应 biological capability，而不仅仅是 benchmark number 的变化；
6、Scientific Discovery：与 Scientific Agent 和实验合作团队协作，将模型预测和生成结果连接到真实科研问题及实验验证，探索 Model → Hypothesis / Design → Experiment → Feedback 的闭环。
任职要求：
1、本科及以上学历，生物信息学、计算生物学、生物工程、生物学、化学、计算机、人工智能或相关交叉学科背景；
2、在至少一个生命科学方向具有扎实基础，例如 Protein、RNA、Genomics、Omics、Structural Biology、Molecular Biology、Drug Discovery 等；
3、具备良好的计算研究能力，熟悉 Python，并能够独立完成数据分析、模型实验或 computational biology workflow；
4、对现代机器学习 / Deep Learning 有基本理解，并有强烈意愿进一步深入 AI for Biology；
5、能够理解 biological question、data、model 和 experimental validation 之间的关系；
6、对 AI for Science 有长期兴趣，希望探索 AI 如何真正参与科学发现。
备注：加入成员将站在 AI 与生命科学的交叉位置，与 Foundation Model、Scientific Agent 和科学数据团队共同探索下一代 AI for Biology 系统。生命科学中的 DNA、RNA、蛋白质、三维结构、分子相互作用、Omics、细胞状态、实验扰动和表型并不是彼此独立的数据类型，而是同一个生命系统在不同尺度下的不同观测。我们希望探索如何让 AI 跨越这些尺度理解生命系统，并进一步从已有知识理解走向 biological prediction、generation、design 和 scientific discovery。这个岗位不要求你一定来自传统 AI / CS。我们同样欢迎具有扎实生命科学背景、计算能力强，并希望真正进入 AI for Science 的研究者。
加分项：有 Protein Language Model、RNA / DNA Foundation Model、Structure Prediction、Generative Biology 等研究经验；有 Protein Design、Molecular Design、Drug Discovery、Molecular Dynamics 等经验；有 Genomics / Transcriptomics / Single-cell / Spatial Omics 等数据分析经验；有 Multimodal Biology 或跨尺度 biological representation learning 经验；有 PyTorch / JAX 及深度学习模型训练经验；
有真实 wet-lab collaboration 或 computational → experimental validation 经验；有高水平会议 / 期刊论文；有高质量 scientific software、dataset 或开源项目。
邮箱：
career@scinetics.ai
（邮件标题格式：岗位+应聘者姓名）
备注：以上岗位有效期自发布起两周
