职位描述

1. 下一代高效架构算法研究: 聚焦极致Token效率与新型计算范式，开展超越传统Transformer的突破性算法架构的探索与设计;攻克长文本极限、动态Memory机制、极端低比特量化算法，构建低计算成本、高推理效率的下一代模型原型与评测体系。
2. 多智能体协同与群体智能研究: 突破单一Agent的局限，开展多智能体群体协同理论、可微通信协议与群体反思演化机制的研究;攻克复杂任务自适应拆解、多步分布式规划及自适应涌现算法，构建大规模智能体生态的高性能底层算法框架。
3. 端云协同与边缘Agent技术研究:针对下一代边缘计算及具身智能场景，开展端云协同分布C.式Agent架构设计;攻克端侧轻量级智能体与云端超大模型之间的高效表征对齐、动态任务卸载与长短期记忆跨端同步技术，形成可工程化的端侧智能体方案。
4. 隐私安全推理与成果建设: 针对端云协同推理中的安全瓶颈，开展大模型在数据不离端、模型防逆向下的隐私安全推理算法研究;探索轻量级同态加密、安全多方计算(SMPC)与差分隐私在推理期的无损/低损算法优化。

职位要求

1. 基本条件: 计算机、人工智能、数学、统计学、自动化等相关专业，硕士及以上学历;3-5年及以上前沿算法研究、大模型微调、Agent系统研发或AI应用落地相关工作经验，优秀博士可放宽。
2. 核心能力: 具备独立研究与课题主导能力，能自主定义前沿算法问题、设计实验方案、完成D.算法验证与成果交付;有顶会论文(NeUrIPS/ICLR/ICML/CVPR/ACL等)、知名开源项目贡献者优先。
3. 专业技能:
a. 具备极强的数学直觉与算法功底，深入理解机器学习、深度学习与强化学习底层原理;
b. 精通 Python，熟悉 PyTorch 框架，具备快速将学术论文直觉转化为高效、可验证实验代码的能力;
c. 深入理解大模型全生命周期技术:RLHF/PPO/DPO等对齐算法、大模型主流微调(SFT/LORA等)、大规模多步推理规划、KV Cache优化机制等。
4. 优先条件:
a. 有长文本优化、混合专家模型、新型网络架构实际研发或优化经验;
b. 有复杂 Agentic Workflow、多智能体协同、工具调用等系统构建经验;
c. 有端侧/边缘大模型部署适配、具身智能或AI安全/隐私保护研究经验;
d. 具备较强的算法工程化落地能力、开源极客精神与跨团队协作能力。

职位信息