阿里巴巴研究型实习生 - 面向多模态理解/交互的模型架构设计及其训练推理系统构建与优化

1.负责多模态理解大模型的前沿算法研究、实现与优化，重点攻克图像/视频理解、视觉问答、跨模态交互等关键任务。 2.参与构建和清洗大规模多模态数据集，探索数据增强策略，并可能建设高效的数据生产、标注和评估 pipeline，涵盖通用数据、视频、OCR等场景。 3.具备技术前瞻性与创新能力，跟踪国际最新技术动态，探索如多模态理解创新架构、音视频理解、Agentic RAG、AI Memory等新方向，并提出创新算法或方案，推动学术前沿发展。

研究领域： 多模态医学影像处理 项目简介： 本项目旨在通过系统性的两阶段研究计划，全面革新全身CT影像的人工智能分析技术范式。当前，CT影像AI在临床实际应用中仍面临三大核心挑战：一是模型功能高度碎片化，难以实现跨病种、跨解剖区域的一体化分析；二是算法决策过程缺乏透明度，呈现“黑盒化”特征，阻碍医生对结果的信任与采纳；三是现有AI系统普遍缺乏对复杂临床场景的多步推理与上下文理解能力，难以支持高阶诊断任务。针对上述问题，本项目将从底层架构到临床落地协同推进，构建具备可解释性、泛化性和高级推理能力的新一代全身CT智能分析体系，推动医学影像AI从“辅助工具”向“临床伙伴”的实质性跃迁。

研究领域： 医学多模态学习 项目简介： 肌萎缩侧索硬化症（Amyotrophic Lateral Sclerosis, ALS）是一种进行性神经退行性疾病，具有病程进展快、临床表型异质性强、早期症状隐匿等特点：其早期诊断率不足70%，从首发症状到确诊的延迟平均超过一年，患者常因此错失最佳干预窗口，而现有诊断高度依赖临床经验与肌电图，缺乏客观、可量化的生物标志物，加之疾病表型与进展速度在个体间差异显著，传统评估工具对早期筛查、精准分型、个体化进展预测与疗效监测的能力十分有限。与此同时，临床随访、语音、行为及多中心病例数据长期处于碎片化状态，影像学、血液与脑脊液等生物标志物特异性不足，难以独立支撑精准诊断与预后判断，亟需建立跨模态的数据融合体系，打通从分子病理到临床功能的完整认知链路，为构建新一代精准生物标志物奠定数据基础。本项目依托全球规模领先的ALS患者队列与多中心协作网络，已建成覆盖临床信息、脑影像组学、实验室检查与多组学数据的完整数据体系，并具备将专家级智能模型向基层医院推广落地的良好基础；项目旨在融合多模态医学数据与人工智能技术，构建面向ALS的智能分析与精准生物标志物研发体系，推动疾病诊疗从"经验型"向"精准化、智能化、个体化"模式转变，为ALS的早筛、早诊、风险预警与精准干预提供新一代技术支撑。

1. 探索研究多模态大模型、GUI agent、AI memory、多模态RAG等前沿技术。 2. 参与研发多模态、全模态大模型等下一代人工智能核心技术，探索面向真实环境的多模态智能体多轮强化学习，提升大模型能力。 3. 负责跟踪和研究多模态大模型前沿技术调研、落地、对业务进行优化。