商汤26届AI领航员-研究院-多模态交互与智能体方向
任职要求
【任职要求】 我们正在寻找具备以下特质的你： 扎实的理论基础： 计算机科学、人工智能、电子工程或相关专业硕士或博士生，对机器学习、深度学习、自然语言处理有深入理解。 出色的工程能力： 精通 Python，熟练使用至少一种主流深度学习框架（如PyTorch, TensorFlow）。 强烈的求知欲： 对前沿技术充满热情，具备优秀的分析与解决问题的能力，能够主动学习新知识。 良好的沟通协作： 具备良好的团队合作精神和沟通能力，能够清晰地表达技术思路。 【加分项（满…
工作职责
工作职责【岗位职责】 你将有机会参与以下一个或多个前沿方向的研究与开发： 多模态统一模型： 参与多模态大模型（文本、语音、图像等）的前沿研究，探索生成与理解任务的统一框架，以及高效的多模态联合学习方法。 个性化对话系统： 设计并实现更具“人性”的对话系统，重点攻克长期记忆、持续学习和情境感知等关键技术，让AI能够记住与你的每一次互动。 强化学习与交互策略： 将强化学习（RL）算法创新性地应用于语音/音频相关的多模态任务中，通过与环境或用户的交互，自主优化AI的决策与沟通策略。 语音智能体（Voice Agent）： 参与构建具备主动交互与复杂任务规划能力的语音Agent，使其不仅能“听懂”，更能“思考”和“行动”，完成多轮、跨领域的复杂指令。 前沿技术探索： 跟踪NeurIPS, ICML, ICLR, ACL等顶会的前沿进展，快速复现、验证并改进相关算法，推动技术落地
1. 负责实现和迭代自然语言处理相关算法，支撑企业数字化业务中的自然语言理解和生成需求，例如信息抽取、文档分析、检索问答、对话交互等； 2. 与工程团队协作，将算法集成到产品中，支撑金融业务场景的迭代优化； 3. 负责某一细分领域的深入算法研究，包括但不限于基础模型开发、对齐研究、推理优化、SFT训练及Agent智能体开发； 4. 设计和开发基于大语言模型（LLM）的智能Agent，优化其在金融场景中的任务规划、工具调用及自主决策能力； 5. 维护相关研究和业务方向的基准（代码、数据、Prompt/Instruction等），将创新算法沉淀为论文、技术报告或专利。
作为项目的核心成员，你将不仅仅是执行任务，更是与我们一同探索未知。 具体职责包括： 前沿探索： 追踪并复现NeurIPS, ICML, ICLR, CVPR等顶会中关于多模态、Agentic AI、强化学习等方向的最新研究成果。 算法实现： 参与设计与实现创新的多模态融合、任务规划、工具学习、记忆与反思等核心算法模型。 实验与分析： 设计并执行大规模的AI实验，通过严谨的数据分析来验证假设、评估模型性能，并提出富有洞见的改进方向。 系统构建： 参与构建和优化项目的数据集、评测基准（Benchmark）以及Agent的执行环境。 思想碰撞： 与团队成员紧密合作，积极参与每周的技术讨论会和头脑风暴，贡献你的奇思妙想。
前沿探索： 跟踪和研究多模态学习、大语言模型（LLMs）、视觉基础模型等领域的最新进展（如 Transformer、Diffusion Models、VLP等）。 模型构建： 参与多模态基础模型的核心架构设计与实现，探索如何高效融合文本、图像、音频等多源信息。 能力攻坚： 重点攻克并提升模型在特定维度的基础能力，包括但不限于： 视觉文本理解： 提升复杂场景下的文字识别（Scene Text Recognition）与光学字符识别（OCR）的精度和鲁棒性。 布局与结构感知： 让模型理解文档、网页、UI界面的布局结构，实现精准的信息提取与问答。 空间关系推理： 训练模型理解图像/视频中物体之间的方位、遮挡、从属等空间关系。 实验与优化： 设计和执行大规模的深度学习实验，对模型进行训练、评估和迭代优化，并分析实验结果，沉淀技术方案。 协作共创： 与团队中的顶尖科学家和资深工程师紧密合作，共同解决研究与工程中的挑战。
我们相信潜力比经验更重要，但坚实的基础是潜力的基石。 扎实的理论基础： 计算机科学、人工智能、电子工程等相关专业在读硕士或博士生，对机器学习、深度学习有深入理解，熟悉Transformer等核心模型。 出色的编程能力： 精通Python，并熟练掌握至少一种主流深度学习框架（PyTorch优先）。具备良好的代码风格和工程素养。 强烈的探索精神： 对AI前沿技术有浓厚兴趣和热情，具备优秀的分析与解决问题的能力，能够独立思考并开展研究工作。 优秀的自驱与沟通： 具备强大的自驱力，能够快速学习新知识；同时拥有良好的沟通能力和团队协作精神。