【LongCat实习】下一代大模型训练范式研究

1. 探索下一代大模型训练范式，从模型结构、训练策略、数据策略、算力利用率等角度切入，打造具有更强能力和更高潜力的基座模型。
2. 设计更高效的模型结构，提高给定数据量、计算量、硬件资源、输出序列长度等约束下的模型能力，如长序列能力、记忆能力等。
3. 探索更科学和前沿的训练策略，对影响training dynamic的关键变量（如学习率、batchsize、初始化等）形成更科学的认知，探索diffusion LLM，test-time scaling等技术。
4. 研究模型结构和数据的耦合关系，优化分阶段训练范式。
5. 结合MLsys解决大规模训练中遇到的卡点问题，实现算法和工程联合设计。

【必要项】

1. 熟悉NLP、LLM、MLsys、Optimization、OR、Control、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验；
2. 熟悉Python、C++等至少一门编程语言，熟悉LINUX环境；
3. 熟悉Pytorch、 Megatron、DeepSpeed 等开源训练框架。 【加分项】
4. 有影响力的开源项目中做出过核心贡献；
5. 发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。