3 个岗位· 2026-06-22

主要职责： 1. 参与 Omni 世界交互模型的算法研究与迭代，方向包括：实时语音交互、多模态理解与生成、Reasoning 推理能力、Agent 智能体能力，以及面向真实商业场景的强化学习后训练； 2. 与 Infra 团队紧密协同，参与训练策略、数据配比与评估体系的设计和优化，完整亲历模型能力从迭代到线上落地的全过程。

职位要求： - 具有扎实的 DL/ML 基础，熟练掌握 PyTorch； - 优秀的工程实现能力：能独立把一个想法从 idea 落地到可运行、可评估的实验，并持续迭代优化； - 深度使用 AI 辅助研发（Codex / Claude Code 等），了解用工具放大研究与工程效率。 优先项： - （面向资深候选人）能独立 own 一个算法方向，推进从研究到落地的完整链路； - 有实时语音交互、RL、推理优化、多模态等方向的实践或研究经验者优先； - 有相关领域顶会论文（ICLR / NeurIPS / ICML / ACL / CVPR 等）或重要开源贡献者优先。

主要职责： 1. 参与维护和开发内部的模型训练框架，支持 Omni 世界模型在 Realtime、Reasoning、Agentic 等方向的高效训练； 2. 与算法团队紧密合作，探索算法、框架、硬件的协同设计，提升大规模训练与推理引擎的稳定性、吞吐量和整体效率。

职位要求： - 精通 Python，且至少深入掌握 Rust 或 C++ 中的一门强类型语言； - 擅长分析和解决复杂的性能瓶颈问题，熟练掌握 PyTorch 等深度学习框架及常见性能调试/分析工具。 优先项： - 对 Megatron-LM、vLLM、SGLang、TensorRT 等至少一个主流训推引擎有深入了解； - 有大规模分布式训练 / 推理系统经验。

主要职责（大规模数据处理方向）： 1. 参与高效 Data Pipeline 的建设与优化：构建从海量多模态原始数据到训练就绪样本的处理链路，覆盖数据清洗、去重、质量过滤与高吞吐加载，保障训练数据的规模、质量与稳定供给； 2. 与算法 & 引擎团队紧密合作，围绕数据配比与质量优化迭代数据处理策略和效率，支撑模型能力的持续提升。

职位要求： - 具备扎实的工程实现能力，擅长定位和优化数据链路中的性能瓶颈； - 满足以下任一条件：① 玩转大规模数据处理框架（如 Ray / Spark / Flink 等），有海量数据处理与优化的实战经验；② 有较强的后端工程经验，熟悉分布式系统、高吞吐存储与数据服务的设计与实现。 优先项： - 熟悉多模态数据处理流程，掌握 Rust/C++/Go 中的一门强类型语言； - 对训练数据质量、去重、采样等环节有过深入实践。