岗位职责：
1、计算机视觉（CV）方向：
• 参与图像分析、文本-图像生成、目标检测、语义分割等计算机视觉任务的研究、优化和落地。
• 研究和改进多模态大模型在视觉任务中的表现，包括 CLIP、VLM 等架构的优化和应用。
• 结合大模型研究视觉生成技术（如 Stable Diffusion、ControlNet），探索视频、图像编辑等应用场景。
2、自然语言处理（NLP）方向：
• 参与大语言模型（LLM）的训练、微调（Fine-tuning）和优化，如 RLHF、对齐增强等，提高文本生成、文本理解等任务的效果。
• 研究和优化 Transformer 架构，探索 Retrieval-Augmented Generation（RAG）、混合专家模型（MoE）层次化语义理解等技术，提高大模型的知识记忆与检索能力。
• 负责医疗文本、对话系统、问答系统等场景的数据处理、数据增强和质量评估，优化特定领域的模型表现。
3、语音处理（ASR/TTS）方向：
• 研究和优化语音识别（ASR）、语音合成（TTS）等任务，提升音频相关任务的准确性和生成质量。
• 研究跨模态语音-文本-图像融合技术，优化语音与视觉、文本等任务的协同学习能力。
• 结合深度学习方法（如 Conformer、HuBERT、Whisper）进行音频数据建模，提高低资源语言及复杂场景下的语音识别能力。
4、 大模型网络结构设计与优化：
• 参与多模态大模型（视觉、文本、语音等）的架构设计、训练与优化，提升模型在多模态任务上的表现。
• 研究和优化 Transformer 及其变种（如 ViT、LLaMA、Whisper）在多模态任务中的应用。
• 关注参数高效化训练方法，如 LoRA、Adapter、混合专家（MoE），提升大模型训练效率与泛化能力。
任职要求：
1、计算机、人工智能、电子信息等相关专业，硕士及以上学历，具备 2 年及以上深度学习研究或项目经验。
2、精通 Python，熟练使用 PyTorch 或 TensorFlow 进行深度学习模型开发，掌握 C++ 者优先。
3、熟悉计算机视觉、自然语言处理、语音识别等多模态任务的基础理论和算法，并具备相关项目经验。
4、深入理解 Transformer 及其衍生模型（BERT、GPT、LLaMA、Baichuan、ChatGLM 等），有实际落地经验者优先。
5、具备良好的工程能力，熟悉 Linux 开发环境、Shell 脚本编写及分布式训练框架（如 DeepSpeed、FSDP）。
6、具备扎实的数学和算法基础，能够阅读和复现前沿论文，并将研究成果应用于实际问题。
7、具有团队合作精神，良好的沟通能力和独立解决问题的能力。
优先条件：
1、在计算机视觉、自然语言处理、语音处理或多模态方向的国际顶级会议（CVPR、NeurIPS、ICLR、ACL 等）发表论文者优先。
2、在 AI 相关国际竞赛（如 Kaggle、SemEval、MS COCO 等）中取得优异成绩者优先。
3、具备大规模分布式训练、推理优化、模型压缩（如量化、剪枝、蒸馏）经验者优先。
4、熟悉主流推理框架（如 VLLM、TGI、TensorRT-LLM），并具备模型加速优化经验者优先。
5、具有多模态大模型（如 CLIP、BLIP、LLaVA）研究及应用经验者优先。