研究型实习生-多模态大模型中训练研究

岗位职责

研究领域： 大模型 项目简介： 近年来，AI多模态大模型在智能问答、图像生成、视频理解、医工交叉等领域表现出惊人的能力。多模态模型通过融合文本、图像、视频等多元数据，大大提升了AI的理解及生成能力。多模态大模型的训练通常经历预训练、中训练、后训练等阶段，其中中训练承上启下，承担跨模态对齐、长上下文扩展以及通用能力阶梯式增强等关键任务，是衔接预训练基础能力与后训练任务对齐、决定模型上限与下游表现的重要环节。随着应用场景的迅速扩展，多模态模型的数据收集、通用数据及评测体系建设、以中训练为核心的模型训练和自动评测成为模型研发迭代的基础环节。当前行业面临的挑战包括：1）高质量、多样化的多模态数据收集；2）标准化的数据标注体系建设；3）衔接预训练与后训练的高效多模态中训练与优化方法；4）科学、自动化的多模态模型评测技术。因此，本项目聚焦多模态大模型关键技术链路，以中训练为核心研究环节，系统开展数据收集、体系建设、中训练方法、表现评测等环节研究，推动多模态大模型的技术进步及落地应用。

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士，硕士或博士学位 -具有上述研究领域的相关经验，包括行业经验或作为参与实验室研究 -熟练掌握python等编程语言，具备较强的动手能力，可以独立进行数据处理、模型训练，具备较强的问题排查解决能力 -在国际会议上或核心期刊发表一份或多份出版物或论文的候选人优先 -至少3个月的实习时间，有6个月以上实习时间的候选人优先

特色标签

Python、万亿参数模型、中间训练阶段、任务对齐、医疗、医疗AI、发表算法相关优秀论文、图文混合、基础模型、基础预训练、多模态算法、大模型算法、大语言模型、性能提升、指令微调、教育、数据挖掘、数据标定、数据汇聚、数据获取、数据采编、无监督预训练、有留学背景、标注规范、标签体系、模型中期增强、模型加速/性能优化、模型微调、模型测试框架、模型调优、深度学习、生物医学融合、算法工程化经验、自监督预训练、视听融合、训练加速、评估指标、评测基准、跨医学工程、跨模态、跨模态对齐训练