负责大语言模型及多智能体系统前沿AI风险管理与安全治理核心研究，聚焦模型全生命周期内生风险、外部对抗风险及CBRN专项智能安全防控方向。通过技术创新搭建标准化风控体系，提升前沿模型部署合规性与抗风险能力，推动前沿AI风险治理与跨领域应急防控方案落地应用。 1. 主攻大模型与智能体风险建模、量化识别及可信治理研究，重点攻坚模型对齐失效、数据污染、心智诱导滥用、CBRN智能衍生安全风险等关键课题，构建全维度动态风险研判与感知体系。 2. 研发创新型前沿 AI风险防控策略与核心算法，涵盖风险感知提示工程、高危数据净化、CBRN场景风险隔离与应急阻断技术，实现风险事前预判、事中管控、事后溯源的全闭环治理。 3. 持续跟进全球AI风控、CBRN智能安全、IEC国际安全标准及前沿框架研究进展，参与行业学术研讨、技术攻坚及跨机构风控协同工作。

1.医学评测数据集构建，包括设计对抗性测试用例，验证模型鲁棒性； 2.参与设计疾病诊断、治疗方案、影像识别等AI医疗模型的评测场景，设计多维度评测指标； 3.整理并结构化医学文献、临床指南、真实病例数据，构建高质量评测语料库； 4.医学任务标注与审核，对文本/影像等医疗数据进行专业标注（如疾病分类、用药建议、手术步骤）；审核第三方标注结果，确保符合临床医学逻辑与行业标准； 5.医学评测体系开发医学支持，包括优化标注规范，协助制定质控流程，提升数据可靠性，协助搭建针对AI医疗产品的系统性评测框架。

1. 研发视觉生成模型相关新技术，包括模型结构与大模型训练框架的构建与优化； 2. 设计视觉生成编辑模型的数据处理流程，构建图像与视频标注平台，提升训练数据质量与标签准确性，增强模型泛化能力； 3. 构建视觉生成编辑模型的评估体系，结合大模型工具开发自动化评估平台，提升模型评测的准确性与效率； 4. 开发模型小型化与轻量化流程，优化模型算子，提升模型运行效率；适配不同的计算平台，实现软硬一体化协同优化； 5. 搭建视觉生成编辑模型的演示平台，优化用户体验； 6. 与产品及工程团队协作，将视觉生成编辑算法落地应用于实际业务场景。"

"致力于探索大模型（LLM）在复杂动态环境下的能力边界。我们坚信，不仅模型参数有 Scaling Law，环境的复杂度和对抗性也存在 Scaling Law——更真实、更残酷、更多变的交互环境，将催生出具备极致泛化能力与鲁棒性的超级智能体。在这里，你将不再局限于静态数据集的微调，而是构建成百上千个充满未知的虚拟世界，利用我们独有的大规模并行演练平台和强化学习框架，见证 AI 在不断的挫折与交互中实现能力的“涌现”。： 1.自动构建多元风险宇宙： 发挥你的想象力与逻辑思维，利用组内现有框架设计并搭建多样化的交互场景（涵盖网络交互、系统操作、逻辑博弈等）。你需要像“关卡设计师”一样，在环境中自动埋设陷阱、噪音与对抗性风险点，挑战 AI 的安全底线。 2.探索安全 Scaling Law： 开展大规模强化学习实验，研究环境数量、环境真实度及任务复杂度与模型泛化性鲁棒性之间的数理关系。验证“在更难的环境中活下来，才能在未知的世界里更安全”这一核心假设。 3.验证效率优化： 深入学习K8S、Ray、Spark等基础架构，二次开发verl、slime等框架，辅助全职员工提升组内AI Infra的相关效率。 4.涌现验证： 对智能体交互轨迹数据进行自动化挖掘，找出导致模型“幻觉”或“崩溃”的深层原因，深入分析Agent在交互过程中产生的“顿悟”时刻（Aha Moments），挖掘模型在长链路决策中的行为模式，为算法优化提供关键洞察。"

聚焦宏观战略研判、前沿趋势分析、竞争情报研究，为实验室重大决策提供核心支撑。 同时支撑实验室各中心面向政府，项目申报的材料输出，政策上传下达。 岗位职责： 1.面向国家科技战略需求与人工智能发展前沿，跟踪国内外相关政策、规划、改革方案的创新举措，系统研判趋势与影响，提出具有建设性的对策建议。 2.承担重大政策研究报告及相关综合性文件的起草与统筹。 3.组织开展科技政策与新型科研机构建设等重大议题的系统性调研。 4.建立维护与各类研究机构的合作网络，开展合作研究。 5.承担和完成领导交办的其他工作。

为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 1、优化大模型训练效率，包括应用CUDA高性能优化、Data IO、分布式并行、通讯库优化等技术提升训练效率； 2、与团队合作，优化模型架构，提升训练的可扩展性，提升超大规模训练的稳定性与MFU； 3、大模型全开发流程优化（数据处理，预训练，后训练，推理服务）。

为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 1、与团队合作训练多模态世界模型； 2、多模态世界模型开发框架的搭建（数据、训练、微调、评测）； 3、搭建训练和微调框架，提高模型理解物理世界规则的能力。"

"主要职责： 1.探索人工智能与物理、化学、材料科学的深度融合，参与AI驱动的国家战略关键材料的智能研发。 2.构建大模型驱动的材料发现与优化的多智能体系统，助力材料的智能发现、合成路径设计、配方和工艺优化及性能预测。 3.探索材料发现AI新范式，推向通用材料发现智能系统 4.与前沿团队密切合作，共同推动AI技术在化学、材料、制造等交叉领域的落地应用。"

我们正在寻找对大模型、数据生成与系统化评测充满热情的优秀研究者加入团队。我们将为您提供顶尖的科研环境与成长平台，共同推动通专融合的智能模型的前沿探索。 岗位职责 1. 开展前沿算法研究，提升生成数据的质量与可靠性，突破当前大模型在长尾场景覆盖不足、数据多样性有限以及安全可信性薄弱等方面的瓶颈； 2. 研发动态更新算法与机制，使模型能够持续适应最新的知识与环境变化，保持预测与生成能力的时效性； 3. 构建大模型的自动化的评测体系，能有效且系统性的对生成内容进行评估，包括但不限于真实性、多样性、多模态对齐，应用效用与安全可信； 4. 针对高壁垒的关键应用领域（如医疗、金融、法律等）中存在的数据稀缺与复杂罕见场景，开发先进生成技术提升模型的专业知识覆盖与场景适应力，为高价值AI应用 奠定坚实的基础。"

1. 研究视觉生成模型的前沿技术，包括新型模型架构、训练方法，以及探索提升模型鲁棒性、降低错误信息生成概率的技术路径； 2. 探索小型化、轻量化的图像与视频生成技术，压缩模型规模，减少推理时间与内存占用，降低模型训练成本； 3. 探索提升生成处理的可信性，提升物理真实性； 4. 研究视觉生成模型在图像/视频编辑与处理等下游任务中的应用，增强编辑处理过程的可控性与稳定性，避免生成式方法引入的误差； 5. 推动Agent、思维链、强化学习、Test-time scaling等前沿技术在视觉生成处理中的融合与应用； 6. 拓展视觉生成模型在特定场景下的应用，如特定场景生成、科学计算任务、具身智能等方向。"

1. 研究大模型、智能体的潜在安全风险，构建自动化漏洞发现与风险扫描流水线； 2. 设计并开发自动化红队攻击框架，实现对模型推理、训练阶段攻击技术的批量化、流程化执行； 3. 设计新型防御方案（鲁棒性增强、异常检测、安全对齐、动态防御机制），构建自动化安全评估与持续回归测试体系，实现攻防闭环迭代； 4. 多模态安全体系构建：研究跨文本、图像、语音的多模态攻击向量（如跨模态对抗攻击、多模态数据污染）； 5. 构建融合多模态特征的安全检测系统，开发针对AIGC内容的水印、溯源技术；探索视觉-语言模型（VLM）的对抗防御策略与可解释性分析。

1. 负责跟进研究业界顶尖网络安全攻防技术，重点围绕自动化漏洞挖掘、自动化渗透测试、智能化威胁检测等方向； 2. 负责设计并开发自动化反入侵、反攻击、反劫持和审计系统工具，推动安全运营从人工驱动向自动化、智能化演进； 3. 负责构建自动化安全事件应急响应与编排平台，实现事件自动分析、跟踪、定位与处置，通过自动化手段持续梳理安全风险并驱动治理闭环。

1、参与多模态理解、图像/视频生成、物理保真生成、强化学习、世界模型等方向的算法研发与优化； 2、协助构建与优化大规模多模态理解与生成基础模型，包括多模态数据库建设、大规模数据处理、分布式训练体系的构建和推理框架优化； 3、开发数据合成、标注体系、模型推理与编辑交互等关键技术模块，开发并维护多模态数据制作管线，参与评测体系设计与实现； 4、与产品、平台和工程团队协作，将前沿算法高效转化为可规模化应用的工程方案。

1. 负责多模态Agent的架构设计与核心算法研发，使其能够胜任GUI操作、深度研究（Deep Research）、软件自动化等复杂的生产力任务 2. 负责多模态Agent框架的设计和平台的开发，以Agent的形式突破现有模型无法解决的真实任务，解决现有模型难以应对的实际挑战 3. 深入研究并应用多模态大模型在UI理解与工具调用等领域的强化训练方法，增强大模型在长程任务下自主规划、泛化决策、自我反思能力，以应对复杂任务链 4. 设计并构建面向人类生产力任务的Agent高级仿真训练环境。环境具备动态生成、难度递增的任务序列，以促进智能体的课程学习与持续进化 5. 设计并构建一套针对开放式、模糊任务的通用可量化评估指标体系，打破当前主流基于规则的奖励机制的局限性

1. 开展大模型后训练阶段的算法研究，特别是针对智能体系统的轻量化自我演化方向； 2. 开展大模型合成数据方法的优化研究，特别是针对预训练阶段的数据合成方法； 3. 参与学术讨论和技术交流，撰写研究报告、技术文档或论文，鼓励在国际顶级期刊或会议上发表研究成果。

1. 构建面向真实任务的通用Agent框架，专注于其在GUI操作、深度研究（Deep Research）及软件自动化等核心场景下的系统实现、性能优化与稳定性保障 2. 快速实现并验证AI Agent框架的原型。将最新的模型与算法高效与现有产品与服务高效集成，主导模型推理优化（如量化、蒸馏等），以提升部署效率与服务性能 3. 主导开发Agent仿真训练平台与交互式评测系统。您将负责构建一套通用、可量化的评估指标体系，完成从后端架构设计、API开发到前端数据可视化等环节的实现 4. 探索并孵化创新的Agent应用产品。深入洞察市场与用户需求，主导开发如Manus、Copilot形态的智能助手，为开发者和平台用户提供的效率工具，提升用户体验

开展下一代大模型基础架构的前沿研究工作，专注于探索混合专家（MoE）、高效注意力机制（Efficient Attention）、扩散语言模型（Diffusion LLM）等核心架构创新。通过从根本上重塑模型的计算范式，旨在突破现有Transformer架构在性能、效率和可扩展性上的瓶颈，为通用人工智能的发展构建更强大的基石。 1. 开展大语言及多模态大模型的新一代骨干网络架构研究，包括但不限于混合专家、高效注意力机制（如线性/稀疏注意力）以及扩散语言模型等架构的探索与设计。 2. 负责新型模型架构及核心组件的代码实现、性能优化与验证，确保新架构在训练和推理中的高效性、稳定性与可扩展性。 3. 关注和学习NeurIPS、ICML、ICLR等最新前沿研究，参与学术讨论和撰写学术论文，在国际顶级期刊或会议上发表研究成果。"

1. 研究基座模型谄媚等异常行为的内在作用机理，系统分析其与模型安全风险、幻觉生成等核心问题的内在关联； 2. 探索大模型训练动力学规律，追踪并解析不同训练阶段模型内部表征与外在行为特征的演变过程； 3. 研发基于可解释性技术驱动的数据合成方法，用于提升基座模型的通用能力与鲁棒性； 4. 参与学术讨论和技术交流，撰写研究报告、技术文档或论文，鼓励在国际顶级期刊或会议上发表研究成果。

1. 探索Agent系统安全能力，构建基于OpenClaw等开源智能体框架的安全能力系统，研发相应的工具/算法； 2. 研发智能体核心能力，提升语言模型和/或多模态模型在多轮交互、工具调用能力在丰富场景的稳定性与泛化能力； 3. 搭建评测体系，设计Agent能力相关的评测任务和指标，追踪训练效果，驱动训练闭环优化； 4. 将研究成果转化为开源代码，沉淀可复用的智能体安全组件。

在这个岗位上，你将有机会接触并参与到以下一个或多个前沿方向： 1、参与分布式训练架构探索：协助研究与设计下一代大模型训练系统，探索包括数据并行、模型并行、流水线并行在内的混合并行策略。 2、攻坚系统性能瓶颈：参与大模型推理架构与多智能体强化学习探索：协助研究与设计智能推理框架，探索包括P/D分离、Agentic Reasoning、kernel推理加速在内的服务优化策略。 3、研发高效训练工具链：参与开发或优化内部训练框架、性能剖析工具及自动化调度系统，提升平台资源利用率和研发效率。 4、跟踪并实践前沿技术：追踪业界最新技术动态（如MoE、无限上下文、多模态训练等），并尝试将其集成到我们的系统中以解决实际问题。 5、参与开源社区与技术分享：鼓励将研究成果以技术博客、开源代码或学术论文的形式输出，与全球社区共同进步。