通义研究型实习生-LLM知识边界识别技术研究
任职要求
1、博士/硕士研究生，计算机、数学、计算法学等相关专业优先。 2、有扎实的机器学习、深度学习和自然语言处理理论基础，对大模型相关技术研究感兴趣。 3、在相关顶会或期刊发表论文、在高水平技术评测或竞赛中获得Top成绩、在开源组织有贡献或影响力者优先。
工作职责
大语言模型（LLM）是一种基于神经网络技术和海量语料库数据进行预训练的语言模型，拥有非常强大的语言理解、内容生成能力。结合检索增强生成（RAG）技术，LLM能够实时访问和整合外部知识库的信息，从而显著提高其在复杂问答和特定领域任务中的准确性和可靠性。然而，RAG方法会引入以下两种问题： 1. 额外成本（尤其是在利用搜索引擎的开放域场景下）； 2. 不可避免的引入噪音，干扰大语言模型。 本项目通过识别特定LLM的知识边界，精确判断当前问题是否需要通过检索补充外部知识，降低模型幻觉。
智能存储团队专注于利用前沿的AI技术（包括计算机视觉、自然语言处理、多模态算法和大语言模型等）对海量非结构化数据进行处理、检索、管理。为用户提供海量数据场景下的“数据处理、智能索引、知识建模、知识引导生成”的全流程闭环解决方案。具体工作内容包括： 1、针对视频、图片、文档、音频等多模态文件的解析与理解； 2、基于LLM、VLMs构建的多模态RAG以及Agent应用； 3、图片、视频等AIGC的创新解决方案。 如果您热衷于探索AI技术的边界，并希望将这些技术应用于实际场景中解决复杂问题，那么欢迎加入我们！
我们致力于解决大模型（LLM）推理领域的根本性挑战，现诚邀拥有深厚研究背景的博士或硕士研究生加入我们的团队。您将： 1. 探索大模型推理的核心瓶颈： 深入研究大模型推理中计算密集与内存受限等核心挑战的本质。提出并验证创新的并行策略、调度算法与系统优化方案，以突破跨设备集群（多机）和异构硬件环境下的推理效率极限，为下一代高效推理引擎奠定理论基础并实现突破性贡献。 2. 定义硬件感知的高性能编译与协同优化： 研究并设计面向多样化硬件体系结构（如GPU, NPU, ASIC等）的高性能算子编译优化框架。开创性地探索计算与通讯的深度融合与协同优化方法，构建理论模型并实现系统级性能的显著提升。 3. 创新下一代高效模型架构与推理范式： 前瞻性地结合未来硬件发展趋势，深入解构现有模型架构的计算特性。致力于研究并发明计算效率显著提升的新型模型结构（如稀疏激活、条件计算等）和颠覆性的推理范式（如动态计算路径、混合精度推理策略），引领高效模型设计的前沿方向。 4. 引领前沿模型压缩与加速算法的研究与实践： 系统性地研究模型压缩与加速领域的最新技术（如量化、结构化/非结构化剪枝、投机采样、稀疏化、知识蒸馏等）的内在机理与极限。勇于探索并实践具有理论保障和实用价值的创新算法，为模型的高效部署开辟新路径，并推动该领域的技术边界。
背景：大语言模型（LLM）评测是LLM开发和应用中的关键环节。基于模型的自动评测技术，面向复杂任务，例如知识推理（Knowledge Reasoning）、多轮会话（Multi-tern Dialogue）、文本生成（Text generation）等，具有独特的优势，逐渐成为学术界和工业界关注的热点。 涵盖技术点包括： 1. 基于裁判员模型的自动评测技术（Model-based Automatic Evaluation for LLM），涉及LLM/RL相关模型的算法设计、训练、推理等内容 2. 基于模型的自动评测框架设计，裁判员模型在不同任务和细分领域的性能优化
研究领域： 推荐系统 项目简介： 当前医疗信息搜索推荐服务面临三大核心挑战：1）搜索结果与用户真实需求匹配度低（准确性不足）；2）推荐内容缺乏个性化适配（未考虑用户病史、症状特征等个体差异）；3）医疗信息可信度验证机制缺失（存在误导风险）。本项目将融合大规模预训练语言模型、动态知识图谱和医学循证规则，重点突破以下方向： 研究医疗领域大模型精准语义理解与意图识别技术 构建多维度用户画像与个性化推荐算法体系 开发基于医学循证的可信度验证与风险预警机制