预训练工程师负责从零训练大模型的基座，工作重心在数据配比、训练稳定性与大规模算力调度。
预训练（Pre-training）指用海量通用语料从头训练出一个大模型的基座，也就是还没经过指令微调、只学会「预测下一个词」的那个阶段。预训练工程师就是负责这件事的人。
这是整条大模型链路里门槛最高、岗位数量最少的位置。原因很直接：一次预训练动辄需要成百上千张高端计算卡连续跑数周，只有少数公司和研究机构具备这个条件。相应地，这个岗位的招聘要求普遍写到硕士博士，且看重相关论文或实际训练经验。
它和后面几个环节的分工要分清：预训练造基座；微调（SFT）教模型听指令；对齐（RLHF 等）调整模型的偏好与安全边界；再往后才是 RAG、Agent 这些应用层。求职时看到「大模型算法工程师」这类宽泛标题，务必问清楚具体在哪一段——四段的日常工作、所需背景和团队规模差别极大。
预训练的日常不是写模型结构（那部分相对固定），而是围绕数据和训练过程：准备语料、跑小规模实验定配方、启动大规模训练、盯着曲线不让它崩。
这个岗位的压力有其特殊性：一次训练跑几周、成本高昂，中途发现配方有问题往往无法回头。
所以决策前的小规模验证做得是否扎实，比训练时的操作更关键。
预训练要求的是「深度学习功底 + 系统工程能力」的组合，两者缺一都撑不住一次真实的大规模训练。
这些能力里最难速成的是实验设计。
大规模训练不允许反复试错，所有关键决策都必须先在小模型上得到验证，再外推到目标规模。能不能设计出一组既省算力又能回答问题的实验，是资深与新手最直接的分野。
预训练是典型的「岗位少但不可替代」的位置。能做的人不多，做过完整基座训练的人更少，因此资深从业者在市场上相当稀缺。但也正因岗位集中在少数机构，选择面比应用层窄得多。
需要正视的现实是行业集中度高：能持续做预训练的团队数量有限，团队方向调整时个人选择余地较小。
入行前建议了解清楚所在团队的算力保障与长期规划。
预训练岗的面试深度明显高于应用层，会追问原理细节和你实际踩过的坑。
准备建议：最后一个问题几乎必问，如实回答规模并讲清楚你在其中负责哪一块。
没有大规模经验时，把小规模实验做扎实、能讲清楚方法论，同样有说服力。
预训练工程师负责用海量通用语料从零训练大模型的基座，也就是模型学会「预测下一个词」的那个阶段。日常工作包括语料清洗与配比设计、分词器训练、小规模缩放实验、分布式训练配置、训练稳定性处理和基座能力评测。
预训练造基座，用海量通用语料让模型获得基础语言与知识能力，成本极高；微调（SFT）在基座之上用指令数据教模型听懂并执行任务，成本低得多。再往后还有对齐阶段调整偏好与安全边界，然后才是 RAG、Agent 这些应用层。
技术上需要深度学习功底加系统工程能力：Transformer 与训练原理、分布式并行策略、TB 级数据管线、性能剖析。现实条件上需要所在团队具备大规模算力——一次预训练往往需要成百上千张卡连续运行数周。多数招聘要求硕士及以上并看重训练经验。
岗位数量少但从业者更少，资深者在市场上稀缺。代价是选择面窄：能持续做预训练的团队集中在少数公司和研究机构，团队方向调整时个人余地较小。入行前建议了解清楚团队的算力保障和长期规划。
知道岗位做什么，和让 HR 从你的简历里看出你能做，是两件事。简历里的经历要按这个岗位的 JD（岗位要求）重新组织关键词，还得先过得了机器筛选。基础功能免费； 秋招冲刺包 ¥499：AI简历姬 1 年会员（简历诊断、JD 匹配优化、AI 模拟面试） + 1 次 1V1 深度语音求职指导 + 1 年微信答疑。
用于提升求职方向判断与准备效率，不承诺录用结果；不提供代投服务，不保证内推或 Offer。
内容说明：本页内容按公开资料整理并经人工复核，用于帮助了解岗位，不构成招聘承诺。薪资、行业数据只在能追溯到公开来源时展示，其余留空。具体岗位职责和要求，请以用人单位发布的招聘公告为准。
TEMPLATES