1、负责语言及多模态基础模型的全生命周期开发，优化从预训练到微调的训练流程，在长文本处理、复杂逻辑推理等端侧痛点领域提出原创性算法并推动落地； 2、研发下一代高效率模型架构（如轻量化 MoE、高效 Attention 变体），通过架构创新、蒸馏与量化方面的创新应用，实现大模型认知能力向入端模型的高效无损迁移，提升计算能效比； 3、深入探究轻量化模型在数据规模、参数配比与训练时长之间的最优平衡点，寻找提升小模型“智能上限”的理论边界，为入端模型的规模化演进提供科学指导； 4、针对端侧资源限制，确保模型在受限硬件环境下的推理效率与性能表现，保持技术领先性。 1、计算机科学、人工智能、软件工程、电子信息、自动化、统计数学等相关专业，在顶会有高质量学术产出； 2、深入理解 Transformer 架构及主流 LLM 训练技术栈，对大模型底层原理有透彻理解； 3、具备在 MoE、稀疏/线性注意力、KV Cache 优化、投机推理、蒸馏等模型小型化相关研究或实践经验； 4、熟悉语言大模型、多模态大模型、深度神经网络、和机器学习算法等的至少一种，能够针对芯片硬件特点提出算法特点设计者优先。