岗位职责
我们专注于探索大模型的下一代范式，沿""新模型架构、科学智能、多模态、可解释性""四个方向推进前沿技术突破。如果你对Transformer之外的下一代架构、大模型与科学的深度融合、原生多模态统一建模、模型机理与XAI等方向抱有强烈热情，勇于挑战从理论到应用的难题，欢迎加入我们！ 具体职责如下：
- 研究下一代基础架构：探索线性注意力、状态空间模型、原生多模态统一架构、理解与生成一体化等技术路线，突破Transformer在长上下文、推理效率与跨模态表征上的瓶颈，开发高性能训练与服务框架；
- 推动大模型与科学研究融合：以""科学是下一个coding""为牵引，沿AI Scientist与生物数据×LLM联合建模两条路径攻坚，冲刺CNS顶刊并将成果转化为系统性云计算解决方案；
- 攻坚多模态前沿技术：研究多模态联合推理、空间认知建模与原生多模态统一架构，突破跨模态语义鸿沟，提升垂直场景的泛化与协同推理能力，构建领域多模态技术产品体系；
- 研发模型可解释性技术：建设多层级（神经元/模块/任务）XAI框架与工具链，为新架构验证、科学场景可信落地、多模态决策溯源提供方法论支撑，提升模型安全性、透明度与迭代效率。
职位要求
- 计算机科学、人工智能、数学、电子信息工程等相关专业博士研究生，研究方向涵盖深度学习、强化学习、图神经网络、扩散模型/流模型、模型架构创新、可解释AI（XAI）、多模态、AI for Science等之一或多项；具备扎实的概率论与优化数理基础，机器学习知识体系完善；
- 在新架构、科学智能、多模态、可解释性四个方向中至少之一有系统性研究经验或创新性突破——例如下一代基础架构（线性注意力、状态空间模型、原生多模态架构等）研究，AI Scientist或生物数据与LLM联合建模研究，多模态联合推理、空间认知或原生多模态架构研究，模型机理分析或XAI工具链开发等；能独立完成从问题定义、数据采集清洗、算法设计、实验验证到成果输出的全流程闭环；
- 扎实的编程与工程能力，熟练掌握Python及PyTorch，能独立开发复杂网络架构并优化计算性能，具备开发可解释性工具链或大规模训练/服务系统的工程能力；
- 在NeurIPS/ICML/ICLR/ACL等CCF-A类顶级会议或Science/Nature/Cell及子刊发表过高质量论文者优先；拥有高star GitHub开源库或工具链开源经验、多语言/跨文化AI研究经验为加分项；
- 持续跟踪AGI领域前沿动态，对Transformer之外的新架构、LLM × Science、多模态原生融合、模型可解释性等方向有强烈研究热情；具备抗压能力与韧性，拥有严谨的研究思维和高效的沟通协作能力。
