课题详情： 课题背景： 在多模态数据处理与智能分析场景中，往往需要调用大量功能各异的专用小模型（SLM）完成视觉、语音、文本及跨模态推理任务。此类场景下模型数量繁多、调用模式呈现明显的长尾特征，传统的常驻式推理部署方式难以兼顾资源成本与弹性需求。为此，Serverless 推理服务成为支撑多模态小模型规模化部署的重要系统形态，但其在 GPU 资源利用率、模型切换与加载开销等方面仍面临较大挑战，亟需系统性的技术突破。 课题挑战： 1、冷启动开销优化：多模态小模型种类繁多，模型按需加载会引入显著的冷启动延迟，如何通过模型快照与运行时状态复用等技术手段有效降低启动成本，是核心挑战之一； 2、GPU 资源高效复用：长尾调用模式导致 GPU 资源利用率低、碎片化严重，如何实现多模型间的 GPU 快速切换与细粒度复用，以提升整体资源利用效率，是关键技术难点； 3、推理请求感知与调度：不同模态、不同优先级的推理请求在时延与吞吐需求上差异显著，如何设计请求感知的智能调度策略，在保障服务质量（SLO）的同时降低资源浪费，是重要的系统设计挑战； 4、高弹性服务体系构建：如何将上述技术有机整合，构建兼具低时延、高弹性、低资源浪费的 Serverless 推理服务体系，并在真实业务场景下验证其可靠性与可扩展性。 具体工作： 你将参与多模态小模型 Serverless 推理服务的核心技术研发，围绕模型快照机制设计、运行时状态复用策略、GPU 复用与快速切换方案，以及推理请求感知调度算法等方向开展深入研究与工程实践，降低模型冷启动成本，提升 GPU 利用效率，推动构建高弹性、低时延、低资源浪费的推理服务体系落地。 课题要求： 1、包含但不限于计算机、软件工程、人工智能、电子信息、自动化、信号与信息处理等相关专业的博士及优秀硕士； 2、熟悉深度学习基本原理，熟练掌握 PyTorch、TensorFlow 等至少一个主流框架，了解模型推理流程与底层运行机制； 3、具备良好的AI Coding技巧，善用AI提效工具，熟悉操作系统、虚拟化等底层知识，有 CUDA/GPU 编程经验者优先； 4、了解 Serverless 或安全沙箱基本原理者优先； 5、动手能力强，能独立完成系统模块的设计、实现与性能调优，有顶会论文发表或复现经验者优先。