阿里巴巴
大模型新范式与前沿技术研究-阿里星
大模型新范式与前沿技术研究-阿里星
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai For Science
Pytorch
Xai
可解释性
多模态
大模型
线性注意力
状态空间模型
值不值得投
84综合评分
综合评分 84
顶尖博士人才计划，聚焦大模型下一代范式与AI for Science，薪资极高、技术最前沿，但科研与落地压力较大。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
9万
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3030 个在招 · 其中人工智能 约 330 个
市场机会
选择面较广
杭州 · 人工智能 · 约 410 个在招
职位详情
关于这个职位
该职位致力于探索大模型的下一代范式，涵盖新模型架构、科学智能、多模态及可解释性等前沿方向
你将参与从理论突破到云计算解决方案落地的全流程研究，挑战Transformer瓶颈并推动AI与科学的深度融合
适合对AGI前沿技术有强烈热情、具备顶尖科研能力的博士人才
最低要求
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
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
工作职责
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
优先资格
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
AI 洞察
优缺点分析
优点
- 处于AGI与大模型技术的最前沿，研究方向（新架构、科学智能、多模态、XAI）极具前瞻性与学术/工业价值
- 依托顶尖科技公司的算力资源与业务场景，能够将理论突破快速转化为系统性云计算解决方案，实现科研与落地的完美结合
- 作为顶尖人才计划成员，将获得极具竞争力的薪酬待遇、顶尖的科研团队支持以及广阔的职业发展平台
- 要求兼顾顶会/顶刊论文发表与工业级系统落地，需要在学术严谨性与工程实用性之间找到平衡
- 适合对AGI前沿技术有强烈热情、具备顶尖科研能力与扎实工程基础，且渴望在学术与工业界同时取得突破的博士人才
缺点 / 挑战
- 研究目标极具挑战性，需要突破现有Transformer架构瓶颈或解决跨模态语义鸿沟等世界级难题，科研压力较大
角色解读
- 在AGI与大模型前沿领域持续深耕，有望成为新模型架构或AI for Science方向的行业顶尖科学家
- 研究成果可直接转化为系统性云计算解决方案，实现从学术顶刊（CNS/CCF-A）到工业界落地的全链路价值闭环
- 探索大模型下一代基础架构，突破Transformer在长上下文、推理效率等方面的瓶颈，开发高性能训练与服务框架
- 推动大模型与科学研究（AI for Science）的深度融合，攻坚多模态联合推理与空间认知建模，构建多模态技术产品体系
- 研发模型可解释性（XAI）技术，建设多层级框架与工具链，提升模型安全性、透明度与迭代效率
- 具备扎实的深度学习、强化学习、图神经网络或扩散模型等理论基础，熟悉大模型架构创新与多模态技术
- 精通Python与PyTorch，具备独立开发复杂网络架构、优化计算性能及构建大规模训练/服务系统的工程能力
- 拥有从问题定义、数据采集、算法设计到实验验证的全流程闭环研究能力，能独立产出高质量科研成果
申请策略
- 提前了解公司在通义大模型及AI for Science领域的最新布局，思考你的研究如何与云计算解决方案深度结合
- 重点突出在NeurIPS/ICML/ICLR/ACL等顶会或CNS子刊发表的高质量论文，以及在新架构、多模态或XAI等方向的具体贡献
- 展示独立主导的科研项目经历，强调从问题定义、算法设计到实验验证的全流程闭环能力
- 列出高Star的GitHub开源项目或工具链开发经验，证明扎实的编程与工程落地能力
- 深入研读线性注意力、状态空间模型（如Mamba）等下一代基础架构的最新论文，掌握其数学原理与实现细节
- 提升PyTorch底层优化与大规模分布式训练的工程能力，熟悉高性能计算框架
面试指南
- STAR法则结合科研逻辑：背景（现有技术的痛点） -> 动机（为什么提出新方法） -> 方法（核心算法与架构设计） -> 结果（实验对比与顶会/顶刊发表情况）
- 工程与学术并重：在回答算法设计时，不仅强调理论创新，还要补充在大规模数据/算力下的工程实现细节与性能优化策略
- 请详细讲解你在下一代基础架构（或科学智能/多模态/XAI）方向的代表性工作，核心创新点和实验结果是什么？
- Transformer在长上下文和推理效率上存在哪些瓶颈？你认为线性注意力或状态空间模型是如何解决这些问题的？
- 在AI for Science（如生物数据与LLM联合建模）中，如何处理科学数据的噪声、稀疏性与大模型幻觉问题？
- 请描述你开发过的最复杂的网络架构或训练系统，遇到了哪些性能瓶颈，是如何优化的？
- 如果要将你的多模态研究成果转化为云计算解决方案，你会如何设计系统架构以保证高并发与低延迟？
- 系统复习大模型前沿论文（特别是近两年的新架构、原生多模态、XAI相关顶会论文），形成自己的技术洞察与批判性思考
职位点评
薪资福利95
成长发展95
工作生活50
使命价值90
薪资福利
95较高
作为顶尖博士人才计划，该职位提供极具竞争力的薪酬待遇，充分满足对高薪资与物质回报的期望。
薪资信号偏高 (6千–12万/月)
成长发展
95较高
聚焦AGI最前沿领域，依托顶尖算力与业务场景，提供从学术突破到工业落地的全链路成长空间。
技术前沿前沿/新兴技术
技术栈大模型、Transformer、线性注意力、状态空间模型、多模态、XAI、PyTorch、AI for Science
业务类型profit_center
工作生活
50较低
JD未明确提及工作模式与WLB相关信息，但前沿科研与顶会发表要求通常意味着较高的工作强度与压力。
工作模式未明确
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
90较高
致力于突破大模型技术瓶颈并推动AI与科学融合，具有极高的社会价值与推动人类科技进步的使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号科学是下一个coding
创新程度开拓性创新（行业首创）
Watch Jobs