「TalentAI」将持续带来人工智能相关在招职位信息，欢迎正在找工作与看新机会的朋友关注，也欢迎企业伙伴与我们联系合作。
旧秩序：AI 是工具，人做科学。
新秩序：AI 做科学，人定义问题。
科学正在换一种做法。
旧秩序在松动，新秩序尚未命名。
我们把它叫做：科理新序。
参与构建它的人，我们叫：新序者。
Scinetics 正在寻找五个方向的新序者。
Build AI that can do science.
新序者不靠情怀发电。我们提供：
薪酬不设限，核心岗不受固定区间限制
核心成员期权，共享长期成长
港科大博士/博士后直推，优秀实习生导师直送
GPU 等人，不让人等 GPU
顶会顶刊自由冲，原创跨学科都算数
与全球顶尖同频，合作不设边界
异地/海外候选人，来上海我们提供 Relocation Support
表现优秀可讨论长期合作及全职机会。
关于科理新序
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。
团队于近日完成近 5000 万人民币首轮融资，核心团队来自普林斯顿大学、剑桥大学、中国科学技术大学等顶尖高校及 Google DeepMind、微软、腾讯、华为等科技公司。公司从生命科学出发，逐步拓展至材料、工程等科学领域，致力于构建面向下一代科学发现的通用智能基础设施。
Build AI that can do science.
招聘岗位
01 大模型训练科学家 / 工程师（预训练方向）
Large Model Training Scientist / Engineer（Pre-training）
岗位描述
你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。
研究方向
Large Language Model Pre-training
Vision-Language Model Training
Multimodal Foundation Models
Diffusion Model Training
Model Architecture Exploration
Distributed Large-scale Training
Training Performance Optimization
AI for Science
岗位职责
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。
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。
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。
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。
我们希望你
本科及以上学历，计算机、人工智能、数学或相关理工科专业；
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；
熟悉 PyTorch，熟练使用 DeepSpeed、Megatron-LM 等大规模分布式训练框架；
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；
对 AI for Science 有长期兴趣，能够独立推进训练任务和模型实验。
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。
02 大模型后训练科学家 / 工程师
Large Model Post-training Scientist / Engineer
岗位描述
你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。
研究方向
Post-training（SFT / DPO / RLHF / RLVR）
Reinforcement Learning
Large Model Alignment
Scientific Reasoning
Verifier / Reward Modeling
Reinforcement Learning Infrastructure
Training–Inference Consistency
AI for Science
岗位职责
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。
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。
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。
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。
我们希望你
本科及以上学历，计算机、人工智能、数学或相关理工科专业；
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；
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；
理解 SFT、DPO、RLHF、RLVR 等方法及其适用场景；
对 reasoning model、RL、verifier、test-time scaling 等前沿方向保持持续关注；
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。
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。
03 Scientific Agent / Auto-Research 科学家 / 工程师
Scientific Agent / Autonomous Research Scientist & Engineer
岗位描述
你将参与 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。
研究方向
Scientific Agent / Autonomous Research
Deep Research / Auto-Research
Long-horizon Agent & Agentic Reasoning
Tool Use & Tool Creation
Multi-Agent Systems
Agent Memory & Context Management
Scientific Coding & Computational Research
Agent Evaluation / Verifier / Reward
Self-improving Agents
Computer Use / GUI Agent
AI for Science
岗位职责
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。
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。
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。
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。
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。
我们希望你
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；
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；
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；
熟悉 Tool Use、Function Calling、Agentic Workflow、Sandbox / Code Execution 等技术；
理解 Agent 的典型 failure modes，包括 hallucination、tool failure、long-context degradation、error propagation、trajectory quality 等问题；
能够展示真实的 Agent 项目、运行结果、Demo、Trajectory、论文或开源项目；
对 AI for Science 和 autonomous scientific discovery 有长期兴趣。
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。
如果你能直接向我们展示一个 Agent 接到复杂任务后，自主规划、调用工具、执行并迭代，最终完成任务的真实 trajectory 或 demo，会比简历上列出使用过多少 Agent Framework 更有说服力。
04 Scientific Data / Data Engine 科学家 / 工程师
Scientific Data & Data Engine Scientist / Engineer
岗位描述
你将参与 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。
研究方向
Scientific Data Engine
Multimodal Scientific Data
Scientific Data Mining & Knowledge Extraction
Data Curation / Cleaning / Deduplication
Synthetic Data Generation
Agent Trajectory Data
Reasoning Data
Scientific Knowledge Extraction
Data Quality & Data Evaluation
Multimodal Data Alignment
Data Pipeline & Large-scale Processing
AI for Science
岗位职责
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。
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。
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。
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。
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。
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。
我们希望你
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；
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；
熟悉 Python，具备较强的数据处理与工程能力；
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；
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；
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。
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。
我们尤其希望找到能够思考这样一个问题的人：
什么样的科学数据真正能够让模型变得更聪明，以及如何持续、规模化地产生这些数据？
05 AI for Biology / Computational Biology 科学家
AI for Biology Scientist / Computational Biology Scientist
岗位描述
你将站在 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。
研究方向
AI for Biology
Computational Biology
Biological Foundation Models
Protein / RNA / DNA Modeling
Biological Sequence Modeling
Protein Structure & Molecular Modeling
Generative Biology
Multi-omics
Multimodal Biological Learning
Biological Representation Learning
Protein / Molecular Design
Biological Evaluation & Benchmarking
AI-driven Scientific Discovery
岗位职责
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。
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。
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。
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。
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。
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。
我们希望你
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；
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；
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；
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；
能够理解 biological question、data、model 和 experimental validation 之间的关系；
对 AI for Science 有长期兴趣，希望探索 AI 如何真正参与科学发现。
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。
我们尤其希望找到能够连接 Biology 与 AI 的人：
既能理解一个模型为什么有效，也能判断它学到的东西在生物学上是否真正有意义。
我们不要求每一位候选人同时成为最强的 AI Researcher 和最强的 Biologist。更重要的是，你在其中一个方向有足够深的积累，同时有能力和兴趣跨越两个领域之间的边界。
另开一席· 品牌与内容运营实习生（新序传播者）
五个核心岗，负责把 AI 做出来。
这一席，负责让世界看见。
你要做
新媒体内容运营：负责公司微信公众号、小红书、X 等海内外社交媒体的日常运营，参与选题策划、文案撰写与排版发布，把复杂的 AI4S 技术讲清楚、讲生动。
视觉物料设计：承担品牌对外的基础视觉设计与美化工作，结合团队 VI，推动设计风格统一与相关物料落地，包括但不限于活动海报、公众号配图、产品宣传册、官方 PPT 美化及简单 VI 延展。
内容形式创新：协助产出图文、短视频等内容，参与视频剪辑（节奏把控、基础特效、字幕包装），丰富品牌传播形态。
数据与竞品跟踪：跟踪平台数据（阅读、互动等），定期复盘优化，持续优化内容效果；协助调研国内外相关行业的内容表达与视觉风格。
其他支持：协助团队完成线上 / 线下传播活动的物料筹备与执行。
我们希望你
本科及以上在读（大二及以上），新闻传播、中文、设计、广告等相关专业优先。
拥有一定文字功底，具备将复杂技术信息转化为清晰易懂表达的能力（有科技向文案经验优先）。
审美在线，熟练掌握至少两种内容生产工具（如 PS / Figma / AI / 剪映/ Canva 等），能独立完成基础海报与图文排版。
网感好，熟悉公众号、小红书、B 站、X 等主流平台的内容风格与玩法。
细心、执行力强、沟通顺畅，能在方向不完全确定的情况下主动推进工作。
对 AI、AI4S、硬科技有浓厚兴趣，愿意快速学习行业知识。
加分项
有个人自媒体账号运营经验，或可提供过往文案 / 设计 / 视频作品集。
有使用 AI 工具（如 Midjourney、Stable Diffusion、ChatGPT 等）辅助内容生产与设计的经验。
具备英文读写能力，能顺畅获取海外 AI 行业前沿信息。
有 AI 相关项目的实习 / 实践经历。
我们在找
不是找用过最多框架的人。
是找把一个研究问题做深、把一个系统真正 build 出来的人。
技术基础要扎实。快速学习、独立思考、把想法变成真实结果，同样重要。
论文不是必须，名校不是必须。
有开源项目、模型、Agent Demo、技术报告，就够我们认识你。
全职 & 实习
五个岗位，全职 / 实习同步开放。
实习不是打杂，要真正进核心研发。
表现优秀且双方匹配，可谈长期合作与全职。
申请请注明：预计实习时长、每周可到岗天数、最早到岗时间。
不止 AI / Science
长期欢迎：生物学、生物信息学、计算生物学、化学、药物研发、蛋白质设计、材料科学、自动化实验等背景。
只要你对 AI × Science 真正感兴趣，就欢迎介绍自己。
下一阶段方向：AI ×Biology、AI × Chemistry、Scientific Data、Automated Lab / Physical AI。
岗位投递
邮箱：career@scinetics.ai
官网：https://scinetics.ai/zh/join/#careers
标题：应聘岗位-全职/实习-姓名
请附上：
CV / Resume
GitHub（强烈建议）
Google Scholar / 个人主页（如有）
代表性论文 / Technical Report（如有）
开源项目 / Model / Agent Demo（如有）
作品集 / 个人自媒体账号（如有）
注明：当前城市、最早到岗时间、是否需要搬迁支持；实习另附预计时长与每周可到岗天数。
代表项目请用几句话说明：你负责什么、解决什么关键问题、拿到什么结果。
暂时没有完全匹配的岗位，也欢迎投递。注明你最感兴趣的 AI for Science 方向即可。