阿里巴巴研究型实习生-基于语义-拓扑融合建模的多Region入向切流行为预测与边缘入口调度优化
任职要求
1.计算机科学、网络工程、电子工程或相关专业硕士及以上学历，具有网络方向研究经验者优先。
2.网络协议基础： 扎实的互联网路由与交换基础，深入理解 BGP 协议（AS-Path、Local Preference、MED、Community 等属性及选路决策过程），熟悉 Anycast、AS-Path…工作职责
当前互联网入向调度（如8806、8809调度）通常采用多 Region（多中心）同时宣告相同或关联 Prefix 的策略。在这种架构中，入向流量的调度逻辑由"公网 BGP 选路"与"内网骨干回传"两段组成。 1. 入向选路的不确定性（核心背景）： 当全球流量面对多个入口（Region-ISP）时，流量进入哪一个入口取决于上游 ISP 复杂的 BGP 决策（受 Local Preference、AS-Path、地理位置等因素交叉影响）。由于缺乏对公网选路结果的预判能力，流量往往会非预期地涌入某个 Region，造成入口带宽压力不均。 2. 调度决策的现状： 目前的调度主要通过在特定中心实施 AS-Path Prepending 或 Anycast 权重调整。由于无法事前准确预知这些动作会导致多少流量、从哪些路径、漂移到哪个 Region，调度过程往往依赖经验尝试。 3. 必要性： 内网回传模式是业务连续性的保障，但"入口选择"决定了端到端路径的质量基准。如果能精准预测入向切流行为，我们就能在公网侧主动引导流量进入最合理的入口，从而使"公网边缘路径"与"内网骨干路径"达成最优匹配，提升整体调度效率与业务稳定性。
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。
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。
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。