1、参与 Agentic Science 的前沿研究，聚焦其在不同科学场景中的能力边界探索、性能优化与实际应用落地。面向下一代智能体进行Memory架构设计，Tool Use效能优化，test time能力提升。 2、设计与实现面向科学问题的通用 Agent 系统，支持科学假设生成、逻辑推理、分析预测与实验设计等关键科研环节。包括但不限于：RAG 系统构建、Deep Research 系统优化。 3、优化模型在多轮对话、Function Calling、复杂决策与推理任务中的稳定性与泛化能力，提升系统在实际科研场景中的表现。 4、跟踪 Agent 领域前沿动态，参与团队的技术讨论和创新攻关。

1、参与 Agentic Science 的前沿研究，聚焦其在不同科学场景中的能力边界探索、性能优化与实际应用落地。面向下一代智能体进行Memory架构设计，Tool Use效能优化，test time能力提升。 2、设计与实现面向科学问题的通用 Agent 系统，支持科学假设生成、逻辑推理、分析预测与实验设计等关键科研环节。包括但不限于：RAG 系统构建、Deep Research 系统优化。 3、优化模型在多轮对话、Function Calling、复杂决策与推理任务中的稳定性与泛化能力，提升系统在实际科研场景中的表现。 4、跟踪 Agent 领域前沿动态，参与团队的技术讨论和创新攻关。

1、参与 Agentic Science 的前沿研究，聚焦其在不同科学场景中的能力边界探索、性能优化与实际应用落地。面向下一代智能体进行Memory架构设计，Tool Use效能优化，test time能力提升。 2、设计与实现面向科学问题的通用 Agent 系统，支持科学假设生成、逻辑推理、分析预测与实验设计等关键科研环节。包括但不限于：RAG 系统构建、Deep Research 系统优化。 3、优化模型在多轮对话、Function Calling、复杂决策与推理任务中的稳定性与泛化能力，提升系统在实际科研场景中的表现。 4、跟踪 Agent 领域前沿动态，参与团队的技术讨论和创新攻关。

1、参与 Agentic Science 的前沿研究，聚焦其在不同科学场景中的能力边界探索、性能优化与实际应用落地。面向下一代智能体进行Memory架构设计，Tool Use效能优化，test time能力提升。 2、设计与实现面向科学问题的通用 Agent 系统，支持科学假设生成、逻辑推理、分析预测与实验设计等关键科研环节。包括但不限于：RAG 系统构建、Deep Research 系统优化。 3、优化模型在多轮对话、Function Calling、复杂决策与推理任务中的稳定性与泛化能力，提升系统在实际科研场景中的表现。 4、跟踪 Agent 领域前沿动态，参与团队的技术讨论和创新攻关。

1、负责面向科学领域的基座大模型研发，探索多模态（文本、结构、时序数据）融合的AI模型架构，提升模型在科学任务上的泛化能力和可解释性。 2、研究并优化大模型训练方法（如高效微调、分布式训练、低资源适应），提升科学计算场景下的模型性能。 3、聚焦科学推理、科学研究、记忆机制、多智能体等方向，优化模型在科学任务中的表现。 4、参与构建科学数据体系，研发大规模、多样化的单/多模态科学数据集，涵盖科学推理、竞赛、研究等领域，支撑模型持续迭代。 5、与科学家团队合作，将AI模型应用于真实科学问题。

1、负责面向生命科学领域的基座大模型研发，探索多模态（文本、结构、时序数据）融合的AI模型架构，提升模型在科学任务上的泛化能力和可解释性。 2、研究并优化大模型训练方法（如高效微调、分布式训练、低资源适应），提升科学计算场景下的模型性能。 3、聚焦科学推理、科学研究、记忆机制、多智能体等方向，优化模型在科学任务中的表现。 4、参与构建科学数据体系，研发大规模、多样化的单/多模态科学数据集，涵盖科学推理、竞赛、研究等领域，支撑模型持续迭代。 5、与科学家团队合作，将AI模型应用于真实科学问题（蛋白质、DNA、基因序列等）。

1、负责面向物质科学领域的基座大模型研发，探索多模态（文本、结构、时序数据）融合的AI模型架构，提升模型在科学任务上的泛化能力和可解释性。 2、研究并优化大模型训练方法（如高效微调、分布式训练、低资源适应），提升科学计算场景下的模型性能。 3、聚焦科学推理、科学研究、记忆机制、多智能体等方向，优化模型在科学任务中的表现。 4、参与构建科学数据体系，研发大规模、多样化的单/多模态科学数据集，涵盖科学推理、竞赛、研究等领域，支撑模型持续迭代。 5、与科学家团队合作，将AI模型应用于真实科学问题（化学、材料等）。

1、负责面向地球空间领域的基座大模型研发，探索多模态（文本、结构、时序数据）融合的AI模型架构，提升模型在科学任务上的泛化能力和可解释性。 2、研究并优化大模型训练方法（如高效微调、分布式训练、低资源适应），提升科学计算场景下的模型性能。 3、聚焦科学推理、科学研究、记忆机制、多智能体等方向，优化模型在科学任务中的表现。 4、参与构建科学数据体系，研发大规模、多样化的单/多模态科学数据集，涵盖科学推理、竞赛、研究等领域，支撑模型持续迭代。 5、与科学家团队合作，将AI模型应用于真实科学问题（大气、洋流、城市气候等）。

1、负责面向神经科学领域的基座大模型研发，探索多模态（文本、结构、时序数据）融合的AI模型架构，提升模型在科学任务上的泛化能力和可解释性。 2、研究并优化大模型训练方法（如高效微调、分布式训练、低资源适应），提升科学计算场景下的模型性能。 3、聚焦科学推理、科学研究、记忆机制、多智能体等方向，优化模型在科学任务中的表现。 4、参与构建科学数据体系，研发大规模、多样化的单/多模态科学数据集，涵盖科学推理、竞赛、研究等领域，支撑模型持续迭代。 5、与科学家团队合作，将AI模型应用于真实科学问题。

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、外部抵御风险及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）的防御策略与可解释性分析。