The posting
研究方向包括但不限于: 1. 视觉生成模型与气象预测融合 - 研究 DiT / Video DiT / Diffusion Transformer 等先进视频生成与预测架构在气象短临及中期预报中的应用; - 探索将气象演变视为高维时空视频生成过程,构建高分辨率、长时效的气象时空预测模型; - 研究基于条件生成(Conditioned Generation)的极端天气生成、气象降尺度(Downscaling)等任务。 2. 气象多模态基础模型 - 面向气象科学场景,研究 ERA5 再分析数据、卫星遥感影像、雷达观测、地面站点等多源气象模态的统一表示与建模; - 探索气象数据的 3D/4D Tokenizer、多模态时空对齐等关键技术; - 构建面向全球/区域天气预报、灾害预警的气象模型。 3. 物理一致性与后训练优化 - 研究面向气象模型的物理规律约束与对齐方法,提升模型在动力学、热力学等物理守恒定律上的表现; - 构建气象任务的自动评价器(如针对极端天气的 Reward Model),探索偏好学习在气象生成质量优化中的应用; - 提升模型在长时效预测中的稳定性,缓解误差累积与模糊化问题(Blurry predictions)。 4. 数据、评测与系统化落地 - 构建高质量、大规模的气象多模态预训练数据集与微调数据; - 建立气象大模型的 Benchmark、气象学指标自动评测体系; - 推动模型在实际业务场景中的应用验证。
岗位职责 1. 独立或协同开展气象大模型相关方向的前沿研究; 2. 负责模型架构设计、训练方案制定、实验实现、结果分析与论文撰写; 3. 构建高质量气象数据集、分布式训练流水线、评测体系和 Demo 系统; 4. 跟踪国际前沿进展,形成系统性技术判断,并推动关键方向落地; 5. 指导研究实习生或工程同学完成相关实验与系统开发; 6. 在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR 等 AI 顶会,或 Nature、Science、BAMS、GRL 等交叉学科/气象类顶刊发表研究成果。
1. 获得计算机科学、人工智能、电子信息、自动化、应用数学、物理、大气科学、气象学等相关方向博士学位(特别优秀的硕士亦可); 2. 具备扎实的深度学习、计算机视觉(CV)和机器学习基础; 3. 熟悉至少一个相关方向: - 图像/视频生成模型(Diffusion / DiT / Flow Matching); - 气象大模型或地球系统建模(Earth System Modeling); - 3D 视觉理解; 4 具有较强的代码实现能力,熟悉 PyTorch,有 DeepSpeed、Megatron、分布式训练等大规模集群训练经验者优先; 5. 具有独立科研能力,能够从问题定义、方法设计、实验验证到论文写作完整推进研究; 6. 具有良好的英文论文阅读与写作能力; 7. 具备团队协作能力、工程意识和长期研究投入意愿。
优先条件 具备以下经历者优先: 1. 在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR 等顶级会议发表过相关论文; 2. 有大规模视频生成模型、时空预测模型训练经验; 3. 有 DiT、Video DiT、Flow Matching 等实际研究或工程经验; 4. 有 AI for Earth、气象大模型研发经验,熟悉气象数据格式(NetCDF, GRIB等); 5. 有高质量开源项目、气象 Benchmark、数据集或系统建设经验; 6. 有多卡/多节点训练、算子优化、显存优化和推理部署经验。



