商汤多模态生成算法研究员-实习生
任职要求
1. 教育背景：计算机、人工智能等相关专业硕士或者博士，需有扎实数学基础。 2. 专业技能：对生成模型（如扩散模型、GAN、VAE）和多模态大模型有深入理解，跟踪 AIGC 领域前沿（如 Diffusion Policy、World Model 在自动驾驶和机器人领域的应用），具备将前沿技术转化为工程方案的能力。 3. 工作经验：参与行业前沿的技术研发，主导从算法设计到闭环落地的全流程，技术影响力直接赋能量产车型的优先，能独立完成模型设计、训练等工作。具备自动驾驶仿真平台（如 CARLA、Gazebo）二次开发经验，或主…
工作职责
1. 算法研发：聚焦自动驾驶、车载或机器人领域的算法和模型研发，不限于世界模型、视频生成模型、多模态大模型和VLA模型。 2. 业务落地：负责车载和自动驾驶业务的研究、设计、开发和优化工作。参与项目的需求分析、设计评审和代码评审。跟踪和研究领域的前沿技术和趋势，为项目提供技术支持。
团队介绍：字节跳动 Seed 团队成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限。团队研究方向涵盖 LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代 AI 交互等，在中国、新加坡、美国等地设有实验室和岗位。 Seed 团队在 AI 领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的 AI 研究团队，为科技和社会发展作出贡献。目前团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、扣子、即梦等超过 50 个应用场景。 1、LLM推理和规划；在整个开发过程中增强LLM推理和规划，包括数据采集、模型评估、预训练、SFT、奖励建模和强化学习，以提高LLM的整体性能； 2、通过重写、扩充和生成等方法合成大规模、高质量的数据；如指令调优、偏好对齐、模型优化以提高LLM在各个阶段（预训练、SFT、RLHF）的能力； 3、通过RLHF/RLAIF进行偏好对齐，探索全新的训练范式，优化大模型在文本、图像、语音等多模态上的表现； 4、研究和实施稳健的评估方法，以评估LLM在各个阶段的表现，揭示其能力的潜在机制和来源，并利用这种理解来推动模型改进； 5、探索和优化有效的LLM训练方法（如主动学习、课程学习）和目标，以完善缩放规律，实现卓越的模型性能； 6、相关应用落地，包括内容创作、逻辑推理、代码生成等，深入研究和探索大模型在未来生活中的更多使用场景。
1. 创新深度神经网络设计： - 开发新颖、开拓性的深度神经网络架构，推动深度学习领域的基础研究。 - 针对多模态（文本、图像、语音等）设计优化模型，提高模型的泛化能力和应用性能。 2. 科学评测体系构建： - 构建科学严谨的算法评测方法，系统评估模型的性能。 - 探索模型能力的潜在机制，推动模型优化和创新。。 3. 高质量数据合成与处理： - 通过数据生成、扩充和重写等方法，创建大规模、高质量的训练数据集。 - 结合指令调优、偏好对齐等技术提升数据质量与模型表现。 4. 强化学习优化： - 研究并实施基于RLHF/RLAIF的偏好对齐技术，提升模型在多领域的应用能力。 - 探索和优化主动学习、课程学习等有效的大模型训练方法。
1. 创新深度神经网络设计： - 开发新颖、开拓性的深度神经网络架构，推动深度学习领域的基础研究。 - 针对多模态（文本、图像、语音等）设计优化模型，提高模型的泛化能力和应用性能。 2. 科学评测体系构建： - 构建科学严谨的算法评测方法，系统评估模型的性能。 - 探索模型能力的潜在机制，推动模型优化和创新。。 3. 高质量数据合成与处理： - 通过数据生成、扩充和重写等方法，创建大规模、高质量的训练数据集。 - 结合指令调优、偏好对齐等技术提升数据质量与模型表现。 4. 强化学习优化： - 研究并实施基于RLHF/RLAIF的偏好对齐技术，提升模型在多领域的应用能力。 - 探索和优化主动学习、课程学习等有效的大模型训练方法。
Top Seed人才计划-豆包大模型研究实习生专项：面向 2025 年 9 月及以后毕业的博士及本硕在读同学，加入我们，你可以自主决定研究课题，与正式员工享受同等权限和资源，和优秀的研究员一起，向智能上限发起挑战。 团队介绍：字节跳动豆包大模型团队（Seed）成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限，并探索新的交互。团队研究方向涵盖 LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代 AI 交互等，在中国、新加坡、美国等地设有实验室和岗位。豆包大模型团队在 AI 领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的 AI 研究团队，为科技和社会发展作出贡献。目前团队已推出业界领先的通用大模型及前沿的多模态能力，支持豆包、扣子、即梦等超过 50 个应用场景。 1、成为研究型实习生，在你热爱的课题方向上，探索机器学习算法与系统领域最具挑战的长期关键问题； 2、寻找志同道合的伙伴，自由组建你的课题小组，享受充足的算力与数据资源支持； 3、获得长周期的培养与成长，大牛导师深度指导，国内外顶尖学者交流机会。