1、负责海外AI产品在国外主流媒体（ytb、tiktok、ig）的素材创意脚本输出； 2、协助进行市场调研，挖掘用户需求、分析用户喜好、挖掘产品亮点； 3、独立把控达人创意质量和方向，审核并提出改进建议。

- 参与AIGC应用服务端架构设计与开发 - 优化系统性能、稳定性与研发流程 - 开发核心代码与系统调优方案

1、参与大数据 Agent 系统开发，应用 AI/LLM 技术实现解决方案。 2、使用AI技术，协助优化数据集成、离线&实时数仓建设、数据分析治理全流程。 3、探索Agent技术应用，提供面向数据领域的解决方案。

产品研发团队负责 MiniMax AI 产品/Agent的创新与研发。 我们相信产品是 AI 连接、服务用户的 Interface，是 Agent 行动与获取反馈的环境，是实现 Intelligence with everyone 的关键。而技术驱动是 AGI 产品的核心。 在这里，你将参与 AI Agent 的用户体验、能力、效果的定义与决策， Agent Environment/Runtime/Infra的研发，以及相关大模型训练环境/数据/Benchmark的构建。你的工作不是实现需求，而是定义和研发未来的技术与体验。 - 定义 AGI 时代的用户体验与产品，技术驱动创新与效果提升，Intelligence with everyone - 参与构建多个模态大模型训练环境/数据/Benchmark，推动智能水平的提升，实现 AGI - 定义、研发、优化 Agent Environment/Runtime/Infra

- 定义 AGI 时代的用户体验与产品，技术驱动创新与效果提升，Intelligence with everyone - 参与构建多个模态大模型训练环境/数据/Benchmark，推动智能水平的提升，实现 AGI - 定义、研发、优化 Agent Environment/Runtime/Infra

产品研发团队负责 MiniMax AI 产品/Agent的创新与研发。 我们相信产品是 AI 连接、服务用户的 Interface，是 Agent 行动与获取反馈的环境，是实现 Intelligence with everyone 的关键。而技术驱动是 AGI 产品的核心。 在这里，你将参与 AI Agent 的用户体验、能力、效果的定义与决策， Agent Environment/Runtime/Infra的研发，以及相关大模型训练环境/数据/Benchmark的构建。你的工作不是实现需求，而是定义和研发未来的技术与体验。 - 定义 AGI 时代的用户体验与产品，技术驱动创新与效果提升，Intelligence with everyone - 参与构建多个模态大模型训练环境/数据/Benchmark，推动智能水平的提升，实现 AGI - 定义、研发、优化 Agent Environment/Runtime/Infra

1. 定义大模型任务、能力、评测标准 2. 研发大模型训练环境与数据构造系统，设计并开发AI-Agent解决不同场景实际问题 3. 深度参与LLM数据生成、增强、预处理流程，优化模型在对应任务上的Performance

1、参与多模态大模型评测体系建设,包括但不限于文本、语音、图片、视频生成等多模态模型/Agent等,制定评测方案、评测指标、构建评测集,形成行业基准; 2、开发自动化、可扩展、可靠的评测系统,提高自动评估的占比,缩短评测周期; 3、针对阶段性迭代重点、行业变化,构建和动态调整评测集,持续探索模型/Agent能力边界; 4、对模型/Agent能力深度分析,明确当前版本的优势与缺陷,拦截能力下限问题; 5、持续追踪大模型行业发展,对重点版本模型/Agent进行横向对比评测,量化行业能力水平

研发超大规模基础模型，并进行极致的系统优化。 研究方向：大语言模型；下一代统一多模态系统；视频生成模型；声音模型；算法工程co- design；

研发超大规模基础模型，并进行极致的系统优化。 研究方向：大语言模型；下一代统一多模态系统；视频生成模型；声音模型；算法工程co- design；

研发超大规模基础模型（LLM&MLLM），并进行极致的系统优化；

MiniMax声音模型效果体验：https://www.minimax.io/audio 我们寻找兼具算法创新精神与工程落地能力的开拓者，一起来探索语音生成与音乐生成的前沿边界，共同定义下一代生成式语音技术。 1. 研发最前沿的语音生成大模型，进行最极致的优化，推动技术产品化落地； 2. 探索语音大模型架构创新，主导生成效果与效率的最前沿实验； 3. 拓展语音技术应用场景，探索AI音频在不同场景下的颠覆式应用；

寻找深度理解大模型算法，同时具备顶尖系统工程设计能力的专家。你将作为算法研究与工程落地的核心桥梁，主导优化大模型训练/推理效率、性能与成本，确保前沿算法在大规模系统中高效实现。 1. 协同设计与优化： - 深入理解大模型算法（架构、训练/推理技术），评估其工程可行性、性能瓶颈与成本。 - 主导设计下一代训练/推理框架或核心组件，确保原生支持高效算法实现（如高效Attention、通信优化）。 - 系统性解决训练/推理工作负载的性能瓶颈（计算、通信、存储）。 2. 高性能系统实现： - 设计并实现高性能核心（如定制Kernel）、优化通信与数据流水线。 3. 分布式架构： - 设计构建大规模分布式训练系统（DeepSpeed/Megatron-LM/FSDP）。 - 设计构建高并发、低延迟的大模型推理服务平台。 4. 前瞻探索与协作： - 跟踪领域前沿，探索验证新技术（新硬件、非Transformer架构等）。 - 高效沟通，跨团队（算法、工程、平台）协作推动方案落地。

研发超大规模基础模型（LLM&MLLM），并进行极致的系统优化；

1. 参与数据中心内部以太网网络架构的辅助设计与规划，学习核心、汇聚、接入等多层网络拓扑构建、设备选型与基础配置； 2. 协助完成企业或运营商专线骨干网络方案的支持工作，了解IP专线/MPLS VPN/VXLAN EVPN等技术的实际应用与高可用保障机制； 3. 参与机房网络标准化治理的部分工作，包括VLAN划分、链路冗余部署、广播域控制与基础布线规划； 4. 在导师指导下了解跨网络域互通与融合方案（如专线与以太网），学习相关安全与稳定性设计方法； 5. 初步参与容器网络（如Kubernetes CNI）的对接与支持工作，了解容器环境下网络通信和基本故障排查流程；

负责大规模分布式系统及各类在线服务可靠、稳定、高效运行 1. 参与在线系统和各类产品架构设计，主导服务可靠性相关自动化系统的实现，满足严格的质量与效率要求 2. 参与国内外整体机房建设，为产品用户提供最优质的接入与使用体验布局 3. 设计研发服务运维解决方案，包括网站加速、持续交付、容量管理、弹性计算、故障分析、流量分配、性能调优等 4.关注业界前沿技术动态，负责大规模流量接入系统的优化，演进和新接入技术探索和应用 5. 关注业界相关技术动态，对齐混部技术方向（Docker等)），贡献与引领业界技术趋势 6. 使用AI技术解决超大规模互联网应用运维问题

我们致力于构建下一代超低时延、高吞吐的高性能网络体系，支撑大规模AI训练、推理及数据传输等核心业务场景。如果你对深入网络底层、优化系统性能、快速定位与解决分布式系统故障充满热情，欢迎加入我们，共同推动高速互联技术的演进。 主要职责 1. 重点参与大规模作业下的网络故障诊断与性能调优，快速定位分布式环境中的节点与通信问题； 2. 参与设计并研发面向AI训练、推理及数据传输的高性能网络系统，提升多节点分布式任务的通信效率与稳定性； 3. 负责用户态网络协议栈、零拷贝通信、网络IO加速等关键组件的实现与调优，深入底层进行性能挖掘； 4. 跟踪并整合先进硬件能力（如智能网卡、RDMA等），对接驱动与固件层，实现网络通信的极致优化； 5. 构建高性能网络与平台系统的深度融合机制，提升系统整体可观测性与运维效率； 6. 探索并推动高速网络技术的创新，持续降低通信延迟、提升带宽利用率。

1. 通过ai coding和agent等创新方式，处理分析AI客户拓展相关销售数据，生成报表，支撑拓展策略制定； 2. 参与AI客户拓展相关数据管理工作，如协助整理、分析AI客户拓展相关销售数据，可探索运用AI coding、Agent工具提升数据处理效率与精准度，生成销售数据报表，为AI客户拓展策略制定提供数据支撑； 3. 更新和维护CRM系统中AI客户相关档案，可借助Agent等工具优化信息整理与同步流程，确保数据的准确性、及时性和完整性； 4. 支持AI客户拓展销售工作，如通过分析不同客户的创新场景，协助筹备AI客户拓展相关销售物料，运用AI coding完成物料内容优化、格式规整等工作； 5. 跟进AI产品订单全流程，保障按时交付，并用创新的ai原生手段收集分析AI行业市场动态及客户需求，支撑销售策略推进。

1. 参与 MiniMax 机器学习平台的研发，设计和实现机器学习相关的基础设施/算法框架/工具链等，关注机器学习研发过程的稳定性、资源利用率等问题； 2. 基于机器学习系统、云原生、云计算架构等多个角度做技术问题解决和探索； 3. 覆盖机器学习系统多个子方向领域的工作，包括：大数据引擎、资源调度、任务编排、模型训练、模型管理、数据集管理、工作流编排、ML for System等；

1. 参与 MiniMax 机器学习平台的研发，设计和实现机器学习相关的基础设施/算法框架/工具链等，关注机器学习研发过程的稳定性、资源利用率等问题； 2. 基于机器学习系统、云原生、云计算架构等多个角度做技术问题解决和探索； 3. 覆盖机器学习系统多个子方向领域的工作，包括：资源调度、任务编排、模型训练、模型管理、数据集管理、工作流编排、ML for System等；