全模态算法工程师（Agent方向）【实习】(J71299)

Summary: Internship role focused on developing full-modal intelligent agents using Large Language Models (LLMs). Responsibilities include model fine-tuning, agent system design, and cross-modal integration to enhance reasoning and decision-making capabilities in complex business scenarios.

1、参与贝壳全模态智能体核心能力建设，围绕大语言模型（LLM）开展增量预训练、指令微调及对齐优化（SFT / RLHF / DPO / RLAIF 等），提升模型在复杂业务场景中的推理、规划与决策能力；

2、设计与优化基于LLM的Agent系统，包括任务拆解、链式推理、多步决策、工具调用（Tool Use / Function Calling）、RAG增强、长短期记忆机制等核心能力建设；

3、构建面向垂直业务场景的智能体解决方案，提升模型在多轮对话、流程执行、结构化信息理解与生成等复杂任务中的稳定性、可控性与泛化能力；

4、推动文本为核心的全模态能力融合，探索文本与视觉、语音等模态的统一建模与对齐机制，提升跨模态理解与交互能力；

5、搭建全模态智能体的数据与评测体系，包括指令数据构建、偏好数据生成、自动化benchmark设计及效果评估，支撑模型持续迭代优化；

6、与工程、产品团队紧密协作，推动全模态智能体系统在真实业务场景中的规模化落地与性能优化。

1、硕士及以上学历，毕业时间：2026年9月-2028年8月，计算机、人工智能、软件工程等相关专业；

2、扎实的自然语言处理与深度学习理论基础，熟悉Transformer等主流大模型架构及训练机制，理解预训练与对齐范式；

3、具备大语言模型微调与对齐优化实战经验，包括 SFT、RLHF、DPO 等方法，有完整训练、调参与效果优化经验者优先；

4、熟悉LLM Agent相关核心技术，包括但不限于：

• Prompt Engineering 与自动化Prompt优化
• RAG（检索增强生成）与知识增强机制
• Tool Use / Function Calling
• 多步推理与任务规划
• 长上下文建模与记忆机制

5、熟悉 PyTorch 等深度学习框架，具备分布式训练或推理加速优化经验；

6、具备较强的系统设计与工程落地能力，能够将模型能力抽象为稳定、可扩展的智能体系统；

7、具备良好的Python编程能力，熟悉Linux开发环境。