Point your AI agent at freehire and let it find you a job. A CLI and an MCP server over the whole job API — no browser.
随着大模型与生成式 AI 技术的快速发展，在多模态和复杂场景下让 Agent 具备更强大的决策和执行能力成为未来的重要趋势。OpenAI Operator 通过结合强化学习的多步决策机制与大模型的理解、推理优势，可在多种任务场景（如 Computer Use、网页浏览等）中实现高效且灵活的自动化决策和任务执行。本课题将聚焦多样化业务场景和复杂环境下的自适应策略设计、规划与推理，进一步提升 Agent 在真实应用中的表现。…
课题目标是在提升工具调用、规划、记忆等基本能力之外，探索高度拟人，具备环境感知，知识遵循，思考决策能力，同时能够以稳定的人设和对话风格进行人机交互，最终完成对话任务的复杂智能体或多智能体。研究内容： 1）研究智能体推理框架与各项基本能力的优化建模方法。通过多智能体架构与思维链设计，合成数据构造方法，大模型微调、强化等后训练方法的创新，实现智能体交互效果的提升。…
语音基座大模型是下一代语音算法的基础，也是多模态大模型研究的重要组成部分。本课题研究方向包括不限于： 1）预训练方法研究：设计预训练任务，使训练可大规模扩展，且能够学习到丰富的知识，使得模型同时具备强大的理解和生成能力，进一步实现能力的涌现。 2）tokenizer 优化：探索同时适用于理解和生成任务、兼顾学习效率和效果的tokenizer。 3）泛音频理解：对语音理解之外，探索更广泛的音频（如音乐、环境声）理解能力，以及基于…
探索下一代大模型预训练范式，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。 1）设计更高效的模型结构，提高给定数据量、计算量、硬件型号、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。 2）探索更科学的训练策略，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，探索更适合大模型的optimizer等。…
本课题探索大模型垂直领域知识高效增强方法，包括数据策略、训练策略以及scaling law友好的训练方法，打造适配实际应用所需的基座能力。研究内容包括但不限于： 1） 大模型基座知识能力增强，通过大规模continue pretrain打造生活服务领域基座，赋能美团各类大模型应用场景。 2）探索预训练增强阶段的大规模高质量数据自动合成、Scaling Law、长链条复杂推理反思能力增强。…
原生多模旨在统一理解与生成，从而用同一套范式处理文本、视觉、语音等各个模态的数据，从而更加自然地进行模态融合，以及通过scaling友好的训练范式，解锁模型智能的新维度。本课题研究内容包括： 1）Pre-train：借助更好的tokenizer架构 / 数据表达 / loss设计，发挥原生多模态能够不依赖文本标注，直接学习无监督多模数据的优势，进一步提升模型能力。例如基于大规模的视频/语音数据自监督训练，对物理世界建模。…
该课题聚焦于利用语音多模态大模型以及深度推理大模型构建对话Agent，通过实时全双工交互，精准理解和感知用户情绪，凭借高情商为用户提供极具价值的回复，旨在为用户打造温暖、贴心且高度智能的对话Agent。研究内容： 1）参与语音多模态大模型在客服、销售、C端助理等场景应用技术研究，通过文本-语音的对齐机制等措施，提升模型对语音中包含的语义以及声学信息的实时理解与处理能力，通过加入业务知识，增强对业务场景知识遵循能力。…
本课题专注于大模型前沿压缩技术探索，通过压缩技术降低大模型的推理部署成本。课题研究内容包括但不限于: 1) 探索多种模态（文本、语音、视觉）的模型压缩技术，不限剪枝、蒸馏、稀疏、量化、低秩化。 2) 探索新轻量化结构，不限 MoE、Mamba、Sparse-Attention、MTP，实现训练和推理的协同优化。 3) 探索低精度量化算法，以及新型量化格式，不限预训练和后训练过程，实现大模型的极致压缩。 4)…
Reasoning（推理）是大模型理解和处理信息的核心能力，是通用智能水平逼近的重要观测维度。课题聚焦于探究生成式模型的高级推理发生机制，提升大模型在复杂任务上的推理表现。 研究内容包括但不限于： 1）复杂任务推理应用效果优化，诸如逻辑推理、数学推理、代码推理、跨模态推理、多模型决策等。 2) RL scaling，通过大规模强化学习持续提升模型推理能力。 3）Test time…
随着AI技术的突破，代码大模型正成为软件开发领域的核心驱动力。基于LLM的代码生成工具已实现从自然语言描述到高质量代码的自动化生成，带来开发效率的大幅提升。本课题旨在打造行业的代码大模型，并推动Coding Agent在实际应用场景落地。 研究内容： 1）通过代码pretrain、continue train、SFT、RL等手段，提升大模型的代码能力。 2）构建高质量代码语料库，涵盖多语言、多场景的工业级代码数据。…
About the Team The Infrastructure System Lab is a hybrid research and engineering group focused on building next-generation AI-native data infrastructure. Positioned at the intersection of databases, large-scale…
Huawei Canada has an immediate Co-op opening for a Researcher. About the team: Founded in 2012, the Noah’s Ark lab has evolved into a prominent research organization with notable achievements in academia and industry.…
1. 核心算子开发：面向前沿的大模型训练与推理场景，设计并实现极致优化的核心算子，深度榨取底层硬件算力。 2. 通信算子优化：深入研究底层网络与总线架构，开发并调优跨卡（如 NVLink/PCIe）与跨机（如 RDMA/RoCE）的高性能通信算子，突破分布式计算的通信瓶颈。 3. 复杂系统构建：参与跨机分布式服务及相关复杂底层架构的开发与长期演进，保障计算与通信任务的高效调度与稳定执行。 1.…
1、针对广告/推荐/搜索等场景，优化模型训练/推理的计算图执行效率； 2、通过编译优化、模型并行优化、图融合、高性能算子开发、低精度计算、Memory复用、Cache优化、高并发服务请求优化等技术，打造业界领先的高性能训推引擎； 3、设计和开发高性能算子库，研究最新的GPU计算技术和优化方法，以充分利用GPU/NPU的并行计算能力，支持各种机器学习和深度学习模型的构建和部署；…
我们正在建设支撑大模型研发的下一代 AI 基础设施。 这里关注的不只是“把训练任务跑起来”，更需要为训练任务跑得稳(ETTR)、效率高(MFU)负责,让大规模、长周期的模型训练在复杂的软硬件环境中具备更好的可观测性、稳定性、可恢复性与可复现性。 你将工作在算法、训练框架与底层算力基础设施的交界处，负责大模型实验平台、训练稳定性、故障诊断与容错恢复、Checkpoint…
1、负责电商LLM/VLM/AIGC训练优化算法研究（和算法团队合作）和落地； 2、通过数据并行、模型并行、Pipeline并行、通信优化等基于CUDA的分布式训练框架大幅提升模型的训练速度与效率； 3、攻克电商LLM/VLM/AIGC训练全流程中工程技术问题，包括CT、SFT、RL等多个阶段，覆盖性能、资源、调度、平台化等能力；…
We are thrilled to introduce you to our team at the Chief Data and Analytics Office (CDAO) organization. As the driving force behind the firm wide adoption of Artificial Intelligence (AI) across our company, our…
We are thrilled to introduce you to our team at the Chief Data and Analytics Office (CDAO) organization. As the driving force behind the firmwide adoption of artificial intelligence (AI) across our company, our…
We couldn't check your fit for this role — add a CV to your profile to see it next time.