蚂蚁金服【Plan A】向量检索工程师-平台技术（实习）

1. 负责 ANN(Approximate Nearest Neighbor) 算法的设计和验证，结合软硬件实现大容量、高吞吐、高召回、低成本的向量检索算法，持续构建业界领先的产品竞争力； 2. 跟进 RAG/AIGC 的前沿技术研究，探索向量检索在 LLM 大模型场景中的应用； 3. 持续跟踪学术界与工业界主流的向量检索算法最新进展。 你将负责什么？ 智能融合：设计图谱与向量的融合重排算法，让语义与事实互补，实现1+1>2的召回效果。 极致效率：优化亿级混合检索性能，攻克系统瓶颈，将端到端延迟压缩至毫秒级以支撑实时场景。 召回边界：设计创新召回策略，结合向量泛化与图谱推理，解决复杂、模糊查询下的知识发现难题。

1. 核心模型研发：负责具身模型的全链路研发，包括数据处理、模型预训练、后训练优化及真机部署，确保模型在实际场景中的高效性和准确性； 2. 数据工程建设：主导大规模机器人数据集的采集、清洗、标注和管理工作，构建高质量的多模态数据pipeline，为模型预训练提供坚实基础； 3. 端到端模型训练：参与具身模型的预训练架构设计，并负责真机环境下的强化学习后训练，实现在线学习能力提升； 4. 前沿技术跟踪：持续跟踪具身智能领域的前沿进展（包括最新论文、开源项目等），快速验证并将先进技术落地到产品中，推动模型性能持续迭代。

部门介绍： 蚂蚁AReaL会探索和构建高性能的 AI 自学习基础系统，让语言交互、智能体、具身智能等各类 AI场景都能基于这个基础系统走向高效的自我演进，迈向更高的智能水平。 职位描述： 1. 探索和研究新一代Agent Infra计算系统，寻求从训推并行到Agent Self-Evolution的系统创新，实现大规模多智能体交互场景下的极致Token Effiencicy； 2. 以“Agent+RL”范式构建新一代面向Agent Infra的强化学习框架，实现多轮交互、过程奖励、大规模模拟环境等，支持各类智能体和搜索场景学习能力提升； 3. 探索结合AI硬件下的Agent Runtime技术创新。

部门介绍： 灵光APP是一款原生多模态的AGI助手，团队致力于构建有竞争力的AGI产品体验。算法团队以用户体验为牵引，为灵光助手构建后训练体系和模型。驱动灵光在智能体验上保持业界领先。 职位描述： 1. 参与LLM推理优化研究：探索并应用量化、投机推理等技术，以提高LLM的推理效率和响应速度； 2. 协作解决推理瓶颈：与团队成员紧密合作，分析并解决LLM推理中的瓶颈问题，确保系统的稳定性与高效性； 3. 基于强化学习（RL）优化模型：参与RL驱动的LLM优化，提升推理速度，并协助优化模型训练框架的性能。探索新的训练算法以及训练管线； 4. Agent框架的开发与集成：协助开发和集成Agent框架，进行系统的功能验证与性能测试，确保系统可扩展性和稳定性； 5. 跟进前沿技术：密切关注LLM推理优化技术的发展，积极研究并探索新的优化方法与框架。