职位&公司对比

职位详情

• 深圳
• 本科
• 在校/应届

• ChatGPT
• MySQL
• AI
• 后端
• Python
• Flask

【目前开放的全职及实习的研究方向为（均为单模态或多模态）】 预训练与微调 Fine-tuning / Post-pretraining with reasoning 垂直知识领域对话机器人 Domain Specific Chatbot 知识图谱构建 Knowledge Graph Construction without Complete Ontology 文档检索 Document Retrieval 基于图的检索增强生成 RAG Graph-based RAG 图神经网络相关 GNN / GCN / GraphSAGE / PinSAGE / GAT 多智能体协作系统 Multi-agent System (MAS) AI原生前端与后端 AI Native Frontend / Backend 视频智能讲解或混剪 Video Narration Generation and Auto Editing AI虚拟数字人唇纹、表情与动作 AI Avatar 营销全流程自动化 Ai-driven Marketing Automation 其他子方向持续增加中... 【岗位职责】 1.    负责内部新项目prototype的研发； 2.    阅读最新的论文，学习最前沿的技术/算法/基础架构； 3.    解决别人解决不了的问题。   【岗位要求】 1.  人工智能 或 计算机科学 或 软件工程类； 2.  在校成绩前10%及以上； 3.  熟练掌握Python； 4.  熟悉至少一款主流的开源或闭源大模型； 5.  热爱人工智能，不惧怕学习新技术。   【你能获得】 1.   全权负责子项目：你做的不是"某个模块的第37版迭代"，而是真正能写进简历的独立项目，你不再只是参数调试的“螺丝钉”，而是从需求定义、技术选型到实验验证的项目主人翁，拥有完整决策与执行权限，让你的想法快速变为成果； 2.   扁平直带：团队无上下级隔阂，技术大牛直带，5 分钟内即可碰撞想法、调整方向，免去漫长审批与沟通干扰； 3.   高效专注 & 真正 WorkLife Balance：我们坚决拒绝无意义加班，八小时深度工作，下班后彻底离线，崇尚“专注 > 内卷 && 效率 > 时长”，让你既能高效产出，也能全身心享受生活； 4.   充足算力保障：只要你需要，我们提供足够的 GPU/TPU 计算资源，训练、微调、推理全流程无卡顿，让你的大模型探索与实验零束缚； 5.   新模型优先体验：任何一款最新发布或 Preview 状态的大模型，你都能第一时间在公司平台上试用、测试与改进，持续站在 AI 前沿。   【实习岗位薪资】 在读本科实习生 - 人民币400 – 600 / 天 在读硕士实习生 - 人民币400 – 700 / 天 在读博士实习生 - 人民币500 – 1000 / 天   【工作地址】 中国广东省深圳市深圳湾科技生态园 【One More Thing】 我们是国内极少数的进行【AI全方面商业化落地】且同时【坚持长期主义潜心做研发】的商业机构，如果你想要了解更多，发个私信和我聊一聊吧~ 【以下的词能帮助更多的小伙伴找到我们】 AI, 人工智能, Artificial Intelligence, 机器学习, Machine Learning, Neural Network, 神经网络, 深度学习, Deep Learning, Transformer, Data Mining, 数据挖掘, 自注意力, Self-Attention, 注意力机制, CNN, 卷积神经网络, RNN, Recurrent Neural Network, 循环神经网络, LSTM, BERT, GPT, Diffusion Model, 扩散模型, 生成式AI, Generative AI, 大语言模型, Large Language Model, LLM, 图神经网络, Graph Neural Network, GNN, GCN, 图卷积网络, GAT, 图注意力网络, Graph, Knowledge Graph, 知识图谱, Ontology, Vector DB, Vector Database, 向量数据库, Pre-training, 预训练, Post-training, 增boss量预训练, Continue Pre-training, RAG, Retrieval-Augmented Gkanzhuneneration, Embedding, 嵌入表示, Rerank, Computer Vision, 计算机视觉, NLP, 自然语言处理, ASR, 语音识别, TTS, 语音合成, 强化学习, Reinforcement Learning, RLHF, 人类反馈强化学习, Federated Learning,boss 联邦学习, Edge AI, PyTorch, TensorFlow, CUDA, GPU, Tensor, 张量, Safetensors, Multi-agent, 多智能体, Agent, 代理, Prompt Engineering, 提示工程, Chain of Thought, 思维链, Zebossro-shot, One-shot, Few-shot, In-Context Learning, Self-supervised Learning, 自监督学习, Unsupervised Learning, 无监督学习, Semi-supervised Learning, 半监督学习, Contrastive Learning, 对比学习, Vision Transformer, 生成对抗网络, GAN, Variational Autoencoder, 变分自动编码器,直聘 Autoencoder, 自动编码器, Data Augmentation, 数据增强, Knowledge Distillation, 知识蒸馏, Transfer Learning, 迁移学习, Active Learning, 主动学习, LoRA, 参数高效微调, PEFT, Fine-tuning, 微调, Prompt Tuning, 提示微调, Stable Diffusion, Edge Computing, 边缘计算, 因果推断, Robotics, Tokenization, Hyperparameter, 超参数, Overfitting, 过拟合, Hallucination, 幻觉, Multimodal, 多模态, YOLO, SVM, RPA, Hugging Face, LangChain, LlamaIndex, Kubernetes, AGI, Data, 数据, Benchmark, Computer Science, 计算机科学, Data Science, 数据科学, Pattern Recognition, 模式识别, Classification, 分类, Regression, 回归, Clustering, 聚类, Dimension Reduction, 降维, Loss Function, 损失函数, Activation Function, 激活函数, Gradient Descent, 梯度下降, Backpropagation, 反向传播, TPU, CPU, 显存, Causal Inference, Computer Vision, 计算机视觉, Feature Engineering, 特征工程, Algorithm, 算法, Sentiment Analysis, 情感分析, GraphSAGE, PinSAGE, Keras, Scikit-learn, OpenCV, Spark MLlib, Docker, Distributed Computing, 分布式计算, Segmentation, 分割, KV Cache