【基座大模型北斗实习】Agentic Foundation Model 学习范式前沿研究

Job description

随着大语言模型从通用问答走向复杂任务执行，Agent能力正成为模型演进的关键方向。传统大模型虽具备海量知识，但面对复杂任务的自主规划、工具调用及长期记忆管理时，往往难以应对。本课题旨在探索Midtrain这一关键阶段，推动通用基座模型向原生Agentic Foundation Model演进，为构建下一代自主智能体提供坚实的底座支持。

大规模高质量数据体系与合成数据建设 数据体系构建

• 建设 Trillion 级别的大规模跨模态数据处理与合成链路。

负责从训练数据获取到配比建模的全流程优化 合成方法演进

探索大规模合成数据 (Synthetic Data)

与自蒸馏 (Self-distillation) 技术，制定合成数据应用策略 理论探索

研究Data Scaling Laws，解决数据扩展中的模型坍塌（Model Collapse）与多样性瓶颈问题，通过课程学习（Curriculum Learning）等训练策略，显著优化Token/FLOPs转化效率

长上下文 (Long Context) 与高效架构演进 长窗口突破

• 持续Scaling Up模型的Context Length，优化超长上下文机制，重点提升LongCat基座模型在长上下文上的表现 架构优化: 探索并验证MoE（混合专家）、稀疏注意力（Sparse Attention）、线性注意力等模型结构；结合剪枝与稀疏化技术，协同优化训练与推理效率，提升超长上下文场景下的效率 上下文管理: 探索逐轮次和跨多轮次的上下文管理方法，并建立对应评测体系，从而减少冗余信息堆叠，实现高效思考和性能提升

多模态能力融合与 Agent 赋能 模态融合

• 探索多模态预训练新范式，突破模态融合瓶颈。

利用多模态扩展定律指导数据与训练方案，提升模型在多模态交互场景下的原生能力 复杂场景落地

面向 Agent、具身智能等前沿场景，提升模型的多模态指令遵循与复杂任务规划能力

下一代训练范式与前沿技术探索 自进化机制

• 协同上下游团队，探索模型自进化（Self-evolution）机制，研究RL在Mid-training阶段的应用 能力扩展：研究推理阶段扩展（Test-time Scaling）及全模态链式思维（Omni-modal CoT），推动模型从单纯的“知识记忆”向“深度推理与问题解决”演进
• 硕士及以上学历，计算机、人工智能、数学、自然语言处理等相关专业，博士优先；
• 具备扎实的算法和数学理论基础及良好的编程基础，熟悉Python、Java等至少一种编程语言，熟悉PyTorch等深度学习框架；
• 在大模型领域有研究基础，或参与过有影响力的开源项目，在ICLR/NeurIPS/ICML/ACL等顶会发表论文者优先；
• 在程序设计竞赛，如ACM/ICPC、Topcoder和Codeforces等，取得优异成绩者优先。