理想汽车基座模型-大模型算法工程师-智能体算法-北京

1. 负责大语言模型以及多模态大模型的预训练、精调等研发及落地； 2. 负责大模型智能体记忆、规划、工具、RAG能力的研发以及大模型应用的研发。

基座大模型研发与创新 参与设计并研发面向大规模多元时间序列的预训练基座模型，探索适用于时序数据的 Transformer变体(如Informer,FEDformer, PatchTST)及创新架构。 负责构建超大规模，高质量的时序预训练数据集，设计掩码重建，上下文预测等自监督预训练任务。 研究时间序列中的关键问题，如长周期依赖建模，多尺度特征提取，缺失值处理，以及时序与文本/事件等多模态信息的对齐与融合。 模型深度优化与领域适配 针对特定高价值场景(如电力负荷预测，量化金融，工业设备预测性维护)，对基座模型进行深度微调与优化，实现"通用能力"到"领域专家"的转化。 研发高效的模型适配技术(如参数高效微调 PEFT)，确保基座模型能够快速，低成本地适配到多样化的下游任务。 系统工程与高性能推理 负责将模型从研究原型推进到稳定，高性能的生产级系统。优化训练框架，利用混合并行(数据并行，模型并行，流水线并行)技术实现千亿参数模型的分布式训练。 主导模型的高效推理优化，应用量化(INT8/ FP4)，编译优化等技术，大幅降低服务延迟与资源消耗，支撑海量时序数据的实时预测需求。 技术前瞻与行业赋能 追踪时间序列分析，大模型预训练的前沿学术进展，并将有潜力的技术引入到产品研发中。 与业务团队紧密合作，深入理解行业痛点，将基座模型的强大能力转化为可衡量的业务价值，定义时间序列预测领域的新标准。 岗位要求 必备条件 计算机科学，人工智能，统计学或相关专业硕士及以上学历(博士优先).

1.负责VLA基座大模型的架构设计与优化，包括但不限于MoE、MoD、稀疏注意力机制、快慢双系统以及多模态架构设计等 2. 负责VLA训练范式探索，包括但不限于预训练、RL等 3. 负责VLA基座大模型的Scaling Law建设 4. 负责MindVLA后训练算法研究和落地，研究面向L3 Agent的后训练范式，包括监督微调、通用强化学习、智能体强化学习等技术； 5. 参与下一代VLA基座模型的探索与创新研究，打造技术影响力。

1. 负责语言大模型基座在汽车设计、生产、制造、售后、运营全生命周期场景语料的训练，包括训练语料优化与合成、基座模型架构、百亿~千亿基座训练、各项基座能力优化等； 2. 负责研发知识增强大语言模型技术，包括大模型领域适配、知识对齐、知识增强等，在车企场景构建专业知识驱动的智能体应用； 3. 跟踪和研究前沿的大模型、智能体（Agent）等技术方向，推动相关领域技术创新。