技术研究员（基础模型）

我们的使命

世界始终在变化。关键不仅是观测发生了什么，更是理解观测背后的动态，预测其演变，并决定下一步行动。

我们希望构建时序超级智能：从世界的观测中学习，理解时序动态，预测未来结果，并在不确定性下推理决策的 AI 系统。

我们的目标是推动 AI 超越静态模式识别，使系统能够回答：正在发生什么？为什么发生？接下来会发生什么？我们应如何行动？

你将参与的工作

• 将时序基础模型扩展至 10T+ 观测规模。 面向海量异构时间序列与结构化数据设计和训练大规模基础模型，探索时序智能的规模定律。
• 构建多模态时序模型。 开发联合理解文本、时间序列、表格、事件及其他结构化信号的模型，用于预测、解释与决策。
• 构建智能体预测系统。 开发能够分解通用预测问题、检索和分析相关信息、调用预测模型与工具、推理不确定性并综合答案的智能体框架。
• 开发可扩展的推理基础设施。 构建高效训练与推理流水线，为大量模型、数据集、预测跨度和用户提供低延迟、高吞吐预测。
• 推动模型从预测走向推理与决策。 开发将预测与因果学习、反事实推理、不确定性估计及干预分析连接起来的方法。
• 适配与专门化基础模型。 开发预训练、后训练、微调与适配技术，使通用时序模型能在新领域、新数据集和新预测任务中表现出色。
• 将研究转化为真实系统。 跨越建模、数据、基础设施和产品，将研究想法转化为运行在真实数据上的可靠系统。

我们期待的能力

• 正在攻读或已取得计算机科学、应用数学、统计学、电子工程、机器学习或相关领域博士学位。具有优秀研究或工程背景的硕士候选人也在考虑范围内。
• 深入理解现代机器学习，具有 PyTorch、scikit-learn 等框架的实践经验。
• 扎实的工程基础与出色的 Python 能力，能够构建超越原型规模的研究系统。
• 具有时间序列、表格或其他结构化数据的经验，包括预测、表征学习或大规模数据建模。
• 具有 LLM 或基础模型预训练、后训练经验，包括大规模训练、微调、对齐或模型适配。
• 了解因果学习，包括因果发现、因果推断、反事实推理或相关方法。
• 具有构建 AI 智能体系统的实践经验，包括工具调用、检索、规划、推理工作流或多智能体架构。
• 能够跨越完整 ML 技术栈，涵盖数据、模型架构、分布式训练、评估、推理与部署。
• 兼具良好的研究直觉与交付可用系统的能力。

加分项

• 具有从零训练大规模基础模型的经验。
• 具有分布式训练、大规模数据流水线、GPU 集群与模型优化经验。
• 具有时序基础模型、预测、多模态学习、因果学习或生成式建模的研究经验。
• 具有批处理、编译、量化、分布式推理或模型服务等高效推理技术经验。
• 具有构建结合 LLM、预测模型、代码执行、检索与外部工具的智能体的经验。
• 在 NeurIPS、ICML、ICLR 等机器学习会议发表过论文，或对广泛使用的开源 ML 系统有重要贡献。

我们关注的问题

今天的基础模型十分擅长理解已有的文字。我们希望构建能够理解接下来会发生什么的模型。

这需要从跨时间的观测中学习，发现产生观测的动态，推理不确定性与干预，并将预测转化为决策。

理解过去。刻画动态。预测未来。决定下一步。