叮！AI³ 院向你发来实习邀请函——AI for Science 助管、实习岗位等你来

AI Infra模型适配（2人）

负责AI4S模型在国产芯片（阿里PPU、华为昇腾NPU、沐曦GPU等）硬件平台的适配工作，涵盖模型迁移、环境配置、功能验证以及性能优化，确保AI模型可以在目标硬件正常运行。沉淀模型适配方法论，总结精度对齐、性能优化的通用流程，开发自动化适配工具，支撑产教融合平台国产芯片平台。

AI4S工具链、解决方案建设（2人）

负责AI4S具体场景下（比如医学、生命科学、地球科学、物质科学等）科研算子研发、科研流程的梳理和代码落地、工程层面性能优化以及模型训练等。帮助领域科学家提高科研的效率和规模性。

AI4S多模态算法（2人）

负责多模态生物医药数据制备建模，微观到宏观（基因->分子->器官->系统）生物医药表征，理解，预测和生成等算法研发与场景落地。有AI或生物医药等学科背景更佳。

运维开发工程师（1人）

负责CFFF平台、产教融合平台的监控告警、日志管理与日常运维，保障平台服务的高可用性与稳定性。包括平台的日常运维支持、监控与日志治理分析等，参与保障平台的高可用与稳定性。持续研究新技术与工具，驱动系统性能、运维效率及资源利用率的优化。能够深度分析并解决复杂技术问题，制定并实施高效解决方案，保障业务连续性。

AI开发工具和国产GPU教学内容培训（1人）

负责AI4S工具链及国产GPU产品服务的相关知识的学习、调研、测评和使用教学，整理产品体验报告，并负责部分模块的教学材料的撰写，参与教学实训的工作。

岗位一

多模态医疗大模型实习生

聚焦人工智能在医学场景中的创新应用，

包括但不限于：

1. 多模态大模型（如视觉-语言、影像-文本-时序融合等）；

2. 多模态医学影像（CT、MRI、病理、超声、ECG等）智能分析；

3. 多模态对齐、融合与表征学习；

4. 多模态复杂推理与生成；

5. 宏微观跨尺度研究；

6. 面向临床需求的多模态智能体开发与应用。

我们希望你：

1. 计算机科学、数学、生物医学工程等相关领域在读博士或优秀在读硕士。

2. 具备机器学习、计算机视觉、自然语言处理、多模态融合等 AI 相关领域扎实的理论基础、研究积累及实践经验，能够将相关技术应用于医疗 / 生命科学场景的研究与开发。

3. 拥有优秀的编程能力，熟练掌握至少一种深度学习框架（PyTorch、TensorFlow 等），能够独立完成代码开发、算法实现与实验验证。

4. 在人工智能顶级会议（ICML、NeurIPS、CVPR等）或顶级期刊（TIP、TPAMI等）以第一作者发表相关论文，优先考虑。

5. 具备强大的学习能力与探索精神，能够快速跟踪 AI 领域前沿技术，适应快速迭代的研究环境，乐于尝试新技术与新方法。

6. 拥有良好的沟通协作能力，能与团队成员高效配合，共同推进项目研发与落地。

你将获得：

1. 对标一线互联网大厂的劳务报酬；

2. 深度参与高质量学术论文发表，与业内专家共事；

3. 接触稀缺医疗大数据，积累真实产研转化经验；

4. 表现优异者可推荐海内外名校读博或博士后机会。

岗位二

医疗大数据处理与AI算法助理

本课题组现开展一项基于临床多模态大数据的跨学科研究，旨在利用人工智能技术构建医疗风险预测模型，并产出高水平学术成果。目前项目正处于数据建模与论文撰写阶段，诚邀技术扎实、对智慧医疗感兴趣的同学加入。

我们希望你：

1. 计算机、电子信息、自动化、软件工程等相关专业高年级本科生或研究生优先；

2. 熟练使用 Python，掌握机器学习/深度学习基础，具备较强的数据清洗、特征工程及模型训练能力；

3. 有时间序列数据（Time-series data）处理经验/医药交叉领域/临床数据挖掘实践者加分；

4. 具备良好的英文读写能力，有学术论文辅助经历者优先。

你将获得：

1. 劳务报酬按工作量或任务节点结算，待遇面议；

2. 深度参与高质量学术论文发表；

3. 积累真实医疗大数据实战经验，助力求职或申博。

校招岗位

大模型算法工程师(强化学习方向)

深度探索金融业务，着重于数据分析和指数投资定制业务，构建金融知识图谱与长链条逻辑推理框架，让大模型读懂研报、看清趋势。将强化学习、AGENT REASONING应用于动态组合优化，实现指数构建的自动化与智能化。探索LLM+AGENT在风控预测与动态策略生成中的实战应用。

大模型算法工程师(多模态方向)

致力于探索多模态大模型、文档理解、VQA及多模态强化学习等前沿技术，并将其深度融合于金融文档处理场景。针对财报、研报等复杂文档，实现表格、公式和图表等关键信息的深度解析和精准抽取，从而支撑后续的数据分析与决策，满足客户在信息处理、风险洞察等方面的复杂需求，创造切实可衡量的实际价值

大模型算法工程师(可信推理方向)

聚焦高阶可信推理需求，构建检索增强生成(RAG) 与动态技能库(SKILLS)协同框架，构建长链条逻辑推理、自主规划与动态决策能力的AGENTS。基于LLM强化训练AGENTS决策，实现任务分解、规划与决策优化框架，提升AGENT在复杂任务中的自主决策能力;结合工具调用、记忆机制与搜索引擎，构建具备持续学习与可信推理能力的智能体系统

AI INFRA工程师AI基础设施方向

参与大规模GPU集群等底层系统的研发，为模型训练与推理，智能体，科学智能提供高性能、稳定可靠的计算支撑。

实习生项目

基于强化学习的指数增强量化研究

以主流指数为基准，构建深度学习ALPHA策略，优化TRANSFORMER/MOE模型，融合PPO/SAC强化学习实现风险管控，攻坚样本外超额收益，构建可复用量化框架。

面向复杂图表推理与报告生成的强化学习研究

针对金融图表处理模型“幻觉”痛点，构建RLVR训练框架，设计真实性奖励函数，实现指标提取与结构化报告生成。

高质量合成数据引擎与像素级评价体系研究

构建自动化合成流水线生成优质SFT数据，搭建像素级评测框架与幻觉专项测试集，实现模型能力精准量化诊断。

基于金融检索的主题指数构建策略研究

融合RAG技术与实时数据搭建智能投研系统，实现全链路决策，通过多因子融合与动态再平衡，打造高效端到端指数构建平台

多智能体协同自治平台预研

研发多智能体协同架构，突破单AGENT长程任务局限，实现任务闭环成功率提升30%+、TOKEN消耗降低15%，验证核心学习闭环有效性。

面向DEEP RESEARCH的自适应搜索与查询规划

构建自主路径规划智能AGENT，攻克查询分解与容错难题目标提升多跳问答覆盖率20%+，落地可复用RESEARCHPLANNER模块

研究证据链溯源与可信度评估框架

构建DEEPRESEARCH全流程证据链，实现细粒度归因与冲突仲裁，目标引用准确率95%+，输出可视化证据拓扑图。

AGENT轨迹在线学习与经验蒸馏研究

提炼AGENT可迁移策略，开展轨迹压缩与知识时效管理，目示同类任务TOKEN消耗降低25%+，构建可解释经验知识库。

RESEARCH AGENT协作分工与知识汇聚机制

优化多AGENT动态分工与知识融合技术，实现协作研究完整度提升40%+、总耗时降低30%，突破复杂任务协同瓶颈。