【LongCat实习】下一代大模型训练范式研究

岗位职责

1.探索下一代大模型训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型。 2.设计更高效的模型结构，提高给定数据量、计算量、硬件资源、输出序列长度等约束下的模型能力，如长序列能力、记忆能力等。 3.探索更科学和前沿的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知，探索diffusion LLM，test-time scaling等技术。 4.研究模型结构和数据的耦合关系，优化分阶段训练范式。 5.结合MLsys解决大规模训练中遇到的卡点问题，实现算法和工程联合设计。 【为什么是我们】 1.明确的技术判断：团队在原生多模态方向有非共识的长期投入，已发布 LongCat-Next 技术报告（离散自回归原生多模态），不是跟随式的能力补齐。 2.顶级资源支撑：5～6万卡计算集群，万亿参数文本基座已训练完成，多模态正在进行大规模上推验证——你将直接参与业界最前沿规模的多模态实验。 3.主线与探索并行：既承担多模态基座的核心交付工作，也推进下一代原生多模态架构的前沿探索，覆盖"数据→tokenizer→预训练→后训练→RL"全链路。

任职要求

【必要项】 1.熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验； 2.熟悉Python、C++等至少一门编程语言，熟悉LINUX环境； 3.熟悉Pytorch、 Megatron、DeepSpeed 等开源训练框架。 【加分项】 1.有影响力的开源项目中做出过核心贡献； 2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。