Job Description

AI院-多模态音频-算法实习生北京实习互联网 / 电子 / 网游职位描述【团队介绍】
智谱多模态大模型团队是全球领先的多模态研究团队之一，专注于推动视觉语言大模型的认知与推理能力的突破。团队拥有从多模态理解到生成的全栈自研技术体系，依托强大的计算资源和全链路研发能力，持续引领行业创新。
团队先后开源CogVLM、CogAgent等标杆级视觉理解模型，并推出CogView、CogVideo等前沿生成模型。最新发布的GLM-4.1V-Thinking创新性地引入思维链推理机制，采用课程采样强化学习策略，系统性提升模型跨模态因果推理能力与稳定性，其轻量版GLM-4.1V-9B-Thinking模型参数控制在10B级别，在28项权威评测中，有23项达成10B级模型的最佳成绩，其中18项更是持平或超越参数量高达72B的Qwen-2.5-VL。近期开源的GLM-4.5V（总参数106B，激活参数12B）更是在100B级视觉推理模型中树立起新的标杆。
1. 从事音频算法研究、训练、应用，具体业务包括Omni-音频理解、同声传译、video-audio联合生成等
2. 探索语音/音频技术前沿技术，探索音频理解、音频表征、音视频联合生成的新范式
3. 负责模型的多机多卡训练、高性能推理、数据集构建、评测系统搭建等职位要求【职位要求】
1. 自然语言处理、机器学习、人工智能、软件工程等相关专业，硕士及以上学历；
2. 较强的算法开发能力，熟悉常用的机器学习、深度学习算法；
3. 熟练使用Python和Pytorch/Tensorflow深度学习框架；
4. 熟悉以下至少一种，且有相应研发经验优先，大模型的框架&理论（如Diffusion、Vall-E/SpearTTS/AudioLM、MusicLM等）；
5. 具备优秀的代码能力和基础算法功底，有较为丰富的工程经验，有大规模训练经验或大规模数据处理经验。
加分项：
1. 在ACL，NeurIPS，ICLR，EMNLP，ICML等顶级会议或期刊上发表过论文者优先；
2. 熟悉并行训练框架，有多机多卡训练经验者优先。 投递