通义研究型实习生-智能体与大模型时代的数据智能前沿技术探索与应用
任职要求
1. 计算机、人工智能等相关专业硕士或博士在读； 2. 熟练掌握 Python和主流深度学习框架，具备良好系统实现能力； 3. 对大模型、智能体、强化学习、数据智能有浓厚兴趣，能独立阅读论文并复现核心思想； 4. 每周可实习 ≥4 天，持续 3 个月以上，鼓励长期投入。 加分项： 1. 有大语言模型、数…
工作职责
随着大模型与智能体系统的发展，数据正从“静态燃料”演变为“动态认知基础设施”。传统数据处理范式难以满足Agent工作流、强化学习、RAG等新场景对语义理解、任务适配与反馈闭环的需求。一系列重要问题亟需重新思考：什么是面向未来 AI 系统的“高质量数据”？如何构建可解释、可组合、可迭代的数据智能框架？ 我们隶属于通义实验室，长期聚焦 AI 基础设施与数据智能方向。团队已在ICML、NeurIPS、ICLR、SIGMOD、KDD、WWW等国际顶会发表论文数十篇，多次获 Spotlight 与 Best Paper，主导开源 DataJuicer、AgentScope、Trinity-RFT 等框架。相关成果广泛应用于学术界与工业界，支撑阿里云、通义大模型、百炼平台等内外部业务。 现诚邀具备扎实科研能力与工程素养的候选人加入，你将参与： 1. 探索如何让数据处理系统“听懂”任务语义，自动生成可验证、可复用、可优化的数据流水线； 2. 研究高性能方法，量化建模文本、图像、轨迹等数据对下游任务的实际价值，构建数据健康评估体系； 3. 面向智能体经验管理、RAG 上下文筛选、多模态日志分析等真实场景，设计新型数据原语与评估基准； 4. 建设开源框架（DataJuicer、AgentScope、Trinity-RFT），发表高水平论文或技术成果，推动社区对“数据智能”的前沿探索。
我们正在寻找对大模型在各种场景智能下的效能优化或智能体应用充满热情的优秀在读学生，参与大模型关键系统架构和场景化应用的前沿研究。你将深度参与千亿级大模型在复杂工业场景落地的“不可能三角”：高性能、低延迟、高自主性。 你将从以下四个核心应用方向中选择一个深入参与，开展系统性研究与工程实现： 1、面向自动驾驶/具身智能的端到端自动驾驶大模型训练优化：参与大规模分布式训练系统的性能分析与优化，包括数据并行、模型并行、流水线并行等策略的调优；参与自动驾驶核心模型（BEV、Transformer、Diffusion 等）中关键算子的性能 Profiling 与优化；基于 Transformer 架构的自动驾驶端到端模型（如 VLA，UniAD, VAD 等）的大规模预训练与微调，优化长序列感知与预测的对齐； 2、面向MoE大模型的训练推理优化：针对千亿级超大规模参数模型，深度参与类QWen/DeepSeek等MoE大模型的性能调优，研究 并行策略（张量、流水线、数据并行）下的通信重叠与显存优化；基于开源大模型推理引擎结合各类大模型和GPU/NPU等硬件，应用PD分离/DeepEP架构，探索高性能算子实现，结合编译优化，量化等手段提升模型推理性能； 3、图像视频与世界模型生成： 参与图像/视频生成模型（Diffusion Transformer、UNet、VAE、文本编码器等）的推理性能分析与端到端优化，提升生成速度与吞吐量；针对多步采样推理流程（DDPM / DDIM / Flow Matching 等）进行调度优化，探索步数压缩、缓存复用、投机采样等加速策略；协助构建推理性能基准测试体系，持续追踪优化效果；参与生成模型推理服务的工程化落地，包括多卡并行推理、动态 Batching、流式输出等方案的设计与实现； 4、大模型与推荐系统的融合创新，聚焦生成式算法或者推荐场景推理优化的研发：研究面向基于LLM的生成式召回技术，通过用户意图生成、Item ID/Title生成等方式，解决传统方法在语义鸿沟与长尾挖掘上的痛点，探索利用大模型直接生成召回和排序；针对生成式模型推理延迟高、资源消耗大的问题，研究算子优化能力、低精度计算、流式推理、投机采样等技术并应用模型推理技术。
1、研究与算法实现： （1）参与图数据库代码知识图谱的构建与优化，借鉴最新的 RepoAudit 等研究成果。 （2）设计并实现基于强化学习（RL）的探索与反馈循环，包括智能体、动作空间、奖励机制。 （3）实验和优化多种RL策略（如PPO、DPO、GRPO、DAPO、GSPO）在真实图数据库测试场景的应用。 2、系统开发与实验： （1）构建可编译运行的图数据库测试平台，负责自动化测试流程（提出预言机→生成用例→执行验证→反馈奖励）的实现。 （2）针对开源图数据库（NeuG、Neo4j、RedisGraph、NebulaGraph等），验证并提交新型逻辑错误。 3、论文与成果输出： （1）参与撰写技术报告和学术论文，总结测试预言机生成的新方法与实验结果。 （2）协助开源端到端研究原型及技术文档的完善与维护。
1、参与智能体相关技术的研究与探索，包括APO（Automatic Prompt Optimization）、记忆、通用多智能体等方向； 2、追踪相关前沿技术，协助完成相关方向的效果评估、Benchmark测试，推动相关领域性能的不断提升； 3、协助团队文献调研，总结技术趋势和研究进展，将团队工作成果发表在国内外会议、期刊。
1.参与智能体（AI Agent）及其应用场景的安全风险研究，探索智能体在复杂交互环境中的攻击面、威胁建模与防御机制。 2.协助开展大模型安全攻防实验，包括越狱攻击、提示注入、对抗样本构造等，评测不同智能体架构在任务执行中的鲁棒性与防御能力。 3.研究智能体决策过程中的风险建模方法（如基于马尔可夫决策过程的行为建模），并设计相应的安全护栏与防御算法。 4.跟踪前沿研究进展，调研智能体安全、可信 AI 与大模型内容安全相关的学术论文与技术方案，为团队提供前沿洞察。 5.协助构建安全评测基准与工具链，形成可复现的安全评测流程，支持团队在多任务、多场景下的风险分析与能力验证。