The posting
我们正在寻找杰出的AI研究科学家 ，以推动模型智能和多模态推理的边界。 这个职位处于基础模型研究和现实世界具身AI的交叉点。 你将专注于大语言模型（LLMs） 和视觉语言模型（VLMs）的算法生命周期，专长于训练后对齐、多模态融合和基于知识的推理。 作为AI研究团队的一员，你将超越静态预训练，构建具有上下文感知、可引导性和事实依据的模型。 你将开发用于对齐和推理的新颖算法，使我们的车辆不仅能够“看见”，还能理解物理世界并与之交互。 这是一个开展顶级研究的独特机会，同时你将见证自己的算法突破为下一代智能汽车系统的“大脑”提供动力。
角色与职责： 训练后与对齐： 设计并实施最先进的对齐策略，包括监督微调（SFT）、基于人类/AI反馈的强化学习（RLHF/RLAIF）和直接偏好优化（DPO）。 多模态推理： 开发用于视觉-语言-动作（VLA） 模型的新型架构，重点关注高效的标记化、跨模态对齐以及具身智能体的物理推理。 知识基础与RAG： 构建高级检索增强生成（RAG） 系统和长上下文记忆结构，将动态知识库与大语言模型推理相结合。 算法评估： 构建强大的评估框架和“大语言模型即裁判”框架，以衡量模型在汽车领域的事实性、推理能力和安全防护措施。 研究领导力： 确定有影响力的研究问题，执行独立的研究计划，并通过顶级出版物（NeurIPS、ICLR、CVPR）和专利为学界做出贡献。
必备条件： 计算机科学、机器学习、AI或相关定量领域的博士学位 。 在基础模型领域有出色的研究成果，专注于基于Transformer的架构及其算法变体。 在训练后方法方面有深厚的专业知识，包括指令微调、偏好建模和奖励函数设计。 开发多模态模型 （例如，将视觉/视频编码器与语言解码器对齐）的实践经验。 熟练掌握Python 和深度学习框架，如PyTorch、JAX或Flax。 具备编写简洁、可复用的研究代码，并在大规模数据集上执行复杂实验的能力。
优先资格： 顶级会议的第一作者出版物（例如，NeurIPS、ICML、ICLR、CVPR、ACL）。 有智能体工作流、工具使用模拟或多轮交互式环境测试的经验。 熟悉参数高效微调（PEFT） 技术（例如，LoRA、QLoRA、适配器）和模型蒸馏。 具备将前沿模型应用于对可靠性和安全性要求较高的专业领域的经验。
