大语言/多模态模型研究员

Job description

科学通用智能学院的使命，是把 大语言模型（LLM）与多模态大语言模型（MLLM）推进到科学与工程问题的“硬核地带”。

我们要做的不只是把模型接到知识库或业务系统上，而是 以科学推理为第一性目标，构建下一代基础模型与算法体系

让模型不仅能读懂论文、专利、实验记录与仿真日志，还能把其中的物理量、约束关系、因果结构与推导链条内化为可操作的“科学表征”。

我们将围绕科学推理持续探索，包括但不限于

基于科学体系 world model 与 next-thought predictor 的推理框架 ，融合类脑架构与可验证推演机制，设计先进记忆系统与全新的 self-attention 训练架构，并提出面向科学推理与发现的新型训练目标与价值信号 ，把“推导正确性、物理一致性、因果合理性、实验可行性”融入模型的学习过程。

岗位目标

面向科学与工程（物理/化学/材料/制造）的下一代基础模型：不仅“能回答”，更要在复杂知识与实验数据之间形成可验证的推理与发现能力。

你将负责（Responsibilities）

开发全新算法与架构：面向科学推理的 Transformer 变体（新型 self-attention/长上下文/稀疏化/递归/可微检索/结构化工具调用等），以及能稳定训练的大规模架构设计（Dense/MoE/Hybrid）。

训练范式与目标函数创新

围绕“推理—验证—修正”的闭环，设计新的 objective function（例如可验证性驱动的训练目标、引用与一致性约束、结构化推导奖励等）与训练配方。

预训练与持续训练

数据混配、去重过滤、课程学习、收敛诊断、稳定性与成本效率；从实验规模迭代到更大规模体系。

科学评测与红队

建立评测基准，不止测语言/代码，更测“提出假说、推演理论、设计实验、解释结果”的能力，并能做到可审计可追溯。

与 Agent / Infra / 数据团队共建闭环

把论文、专利、实验报告、仿真日志转成可训练/可验证的结构化知识；推动模型能力进入真实科研与工程流程。

对外学术与开源影响力（明确交付）

围绕核心算法与系统成果，形成高质量研究产出与论文写作，在顶级会议/期刊发表，并推动必要的开源/技术报告输出（在合规前提下） 必备要求（Must-have）： 有大模型训练或后训练的实战经验（预训练/继续训练、SFT/RL/对齐、评测与上线闭环至少一项做深）。 熟悉 PyTorch 与分布式训练（FSDP/DeepSpeed/Megatron 等任一），具备训练稳定性、吞吐与成本优化能力。

能做“算法/架构原创”

不仅会复现 SOTA，更能提出可验证的新结构/新损失/新训练流程，并用严谨对比实验证明价值。

科研工程化能力强

可复现、可观测、版本管理、数据与模型资产化。

加分项（Nice-to-have）

多模态（VLM/Doc/图表/科学图像）或工具/Agent 深度经验。

机器学习/人工智能方向博士学位（PhD）（或同等深度的研究训练与成果） 具备高质量的学术发表记录

NeurIPS / ICLR / ICML / ACL / EMNLP / Nature Machine Intelligence / Nature / Science（或同等级顶会顶刊）。 在 attention、长上下文、记忆增强、推理训练目标、可验证学习等方向有代表性工作或开源贡献。 在数学、物理、化学等基础科学领域具备扎实基础，并有从事理论研究型工作的经验。