阿里巴巴研究型实习生 - 基于RAG技术和知识图谱的光网络状态问答应用
任职要求
1. 深入掌握RAG架构原理，熟悉Python语言和常用设计模式，具备某专业领域文本生成模型的开发和使用经验；
2. 熟悉光网络的基本…工作职责
研究、探索将RAG技术和知识图谱技术结合的方式，并在此基础上开发光网络状态问答系统。具体职责包括： 1、 探索通过LLM和RAG技术实现从用户自然语言到Gremlin图谱查询语句的推理，并基于人工或AI工具构建一定数量的测试用例，覆盖光网络实际规划、建设、运维等场景，用于评估推理过程的可靠性； 2、 探索使用开源或阿里内部工具搭建基础RAG平台，串接用户提问、Gremlin查询语句生成、知识图谱查询、结果返回等子流程，实现一个基础的在线光网络状态查询服务； 3、 针对复杂提问，探索使用多轮查询机制，在复杂查询场景下能够结合LLM的语义理解能力自主分解用户意图，自主编排查询路径，提升查询效率。
我们是Token Foundry - 多模态交互团队，正在寻找对具身智能与数字人前沿交叉领域充满热情的研究型实习生。本项目在团队在生成理解一体化方面的坚实基础，共同构建下一代具身智能与多模态数字人大模型，进一步打通“感知-理解-生成-执行”全链路，在统一架构下探索环境理解、行为生成与多模态交互的深度协同。 你将参与如下关键方向： 1. 设计并实现支持自然语言指令到连续动作序列端到端控制的生成理解一体化具身基础模型； 2. 构建能响应语音、文本、视觉等全模态输入，实时高质量数字人生成大模型； 3. 开发融合真实与仿真数据的千万级多模态具身训练平台； 4. 优化模型推理效率，推动大模型在机器人端侧或实时交互场景中的部署。 优秀成果可形成专利/论文，或发布ModelScope开源社区
该职位专注于分布式大语言模型 (LLM) 推理系统的底层基础设施研究与探索，包括GPU和RDMA等。主要职责包括： 探索高性能、可扩展的分布式LLM推理引擎，以支持分布式LLM的高效部署； 基于KVCache，对大模型框架进行深入优化； 分析现有推理框架的性能瓶颈，提出并实施创新的优化技术； 参与与大模型相关的开源项目，如mooncake、vllm等。
专注于安全容器系统的AI基础设施的研究、探索和开发，具体职责包括： 1. 探索阿里云安全容器系统和AI基础设施演进，支撑大规模AI业务； 2. 使能安全容器系统运行下一代AI基础设施，打造业界领先大规模AI算力基础设施； 3. 结合下一代AI基础设施、安全容器和AI业务协同优化，打造高性能、低成本的AI算力。
专注于CXL协议和计算机微架构的研究、探索和开发，具体职责包括： 1. 探索高性能的计算机微架构设计，支持CXL协议的高效实现； 2. 深入优化CPU/GPU和CXL连接设备之间的互联性能，提升异构计算环境下的通信效率； 3. 分析现有微架构的性能瓶颈，提出并实现创新的优化技术； 4. 结合现有硬件平台，针对高性能计算重点场景构建业界领先的优化解决方案。