{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "阿里巴巴研究型实习生-多模态大模型安全评测及原生安全增强",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "阿里巴巴控股集团",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里巴巴控股集团",
        "company_industry": "电子商务 / 云计算 / 人工智能",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "硕士或博士在读",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 参与多模态大模型（MLLM）及其应用场景的安全风险研究，探索文本、图像、视频、音频等跨模态交互中的新型攻击面（如跨模态语义鸿沟利用、隐写攻击），进行威胁建模与风险定级。\n2. 协助开展多模态安全攻防实验，包括视觉/语音越狱（Visual/Audio Jailbreak）、对抗样本生成（Adversarial Perturbation）、跨模态提示注入等，评测主流多模态模型在复杂输入下的鲁棒性与防御边界。\n3. 研究多模态大模型的原生安全增强技术，探索基于潜在空间防御（Latent Space Defense）的改进算法，从模型底层提升安全性。\n4. 跟踪前沿研究进展，调研多模态学习、对抗机器学习、模型对齐与可信AI领域的顶级会议论文（如CVPR, NeurIPS, ICLR等）及技术方案，为团队提供前沿技术洞察。\n5. 协助构建多模态安全评测基准与自动化工具链，沉淀高质量的跨模态攻击数据集，形成可复现的评测流程，支持团队在多维感知场景下的风险分析与能力验证。",
        "requirements_text": "1、学历背景：计算机科学、人工智能、网络安全等相关专业，硕士或博士在读。\n2、算法基础：熟悉 Transformer 结构，深入理解主流多模态大模型架构（如 LLaVA, GPT-4V, Gemini, Stable Diffusion 等）及其训练/推理机制。\n3、攻防经验：了解对抗攻击（Adversarial Attacks）经典算法（如 PGD, FGSM），或有大模型越狱（Jailbreak）、Prompt Engineering 相关研究经验者优先。\n4、编程能力：熟练掌握 Python 及 PyTorch/TensorFlow 框架，具备良好的代码实现能力，能快速复现 Paper 中的算法。\n5、学术能力：在 AI 安全、CV、NLP 等领域的顶级会议（CVPR, ICCV, ACL, NeurIPS, CCS, USENIX Security 等）发表过论文者优先。",
        "skills": [AI生成
            "Python",
            "PyTorch",
            "TensorFlow",
            "自然语言处理",
            "大语言模型"
        ],
        "preferred_qualifications": "3、攻防经验：了解对抗攻击（Adversarial Attacks）经典算法（如 PGD, FGSM），或有大模型越狱（Jailbreak）、Prompt Engineering 相关研究经验者优先；5、学术能力：在 AI 安全、CV、NLP 等领域的顶级会议（CVPR, ICCV, ACL, NeurIPS, CCS, USENIX Security 等）发表过论文者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199903180079?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199903180079",
        "post_date": "2026-03-09",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199903180079?deptCodes="
    },
    "fulltext": "阿里巴巴研究型实习生-多模态大模型安全评测及原生安全增强\n阿里巴巴研究型实习生-多模态大模型安全评测及原生安全增强\n\n基础信息\n毕业起止时间要求：2027-06-01 - 2041-06-30\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：杭州\n\n职位描述\n1. 参与多模态大模型（MLLM）及其应用场景的安全风险研究，探索文本、图像、视频、音频等跨模态交互中的新型攻击面（如跨模态语义鸿沟利用、隐写攻击），进行威胁建模与风险定级。\n2. 协助开展多模态安全攻防实验，包括视觉/语音越狱（Visual/Audio Jailbreak）、对抗样本生成（Adversarial Perturbation）、跨模态提示注入等，评测主流多模态模型在复杂输入下的鲁棒性与防御边界。\n3. 研究多模态大模型的原生安全增强技术，探索基于潜在空间防御（Latent Space Defense）的改进算法，从模型底层提升安全性。\n4. 跟踪前沿研究进展，调研多模态学习、对抗机器学习、模型对齐与可信AI领域的顶级会议论文（如CVPR, NeurIPS, ICLR等）及技术方案，为团队提供前沿技术洞察。\n5. 协助构建多模态安全评测基准与自动化工具链，沉淀高质量的跨模态攻击数据集，形成可复现的评测流程，支持团队在多维感知场景下的风险分析与能力验证。\n\n职位要求\n1、学历背景：计算机科学、人工智能、网络安全等相关专业，硕士或博士在读。\n2、算法基础：熟悉 Transformer 结构，深入理解主流多模态大模型架构（如 LLaVA, GPT-4V, Gemini, Stable Diffusion 等）及其训练/推理机制。\n3、攻防经验：了解对抗攻击（Adversarial Attacks）经典算法（如 PGD, FGSM），或有大模型越狱（Jailbreak）、Prompt Engineering 相关研究经验者优先。\n4、编程能力：熟练掌握 Python 及 PyTorch/TensorFlow 框架，具备良好的代码实现能力，能快速复现 Paper 中的算法。\n5、学术能力：在 AI 安全、CV、NLP 等领域的顶级会议（CVPR, ICCV, ACL, NeurIPS, CCS, USENIX Security 等）发表过论文者优先。\n\n在招业务\n阿里巴巴控股集团\n1. 参与多模态大模型（MLLM）及其应用场景的安全风险研究，探索文本、图像、视频、音频等跨模态交互中的新型攻击面（如跨模态语义鸿沟利用、隐写攻击），进行威胁建模与风险定级。\n2. 协助开展多模态安全攻防实验，包括视觉/语音越狱（Visual/Audio Jailbreak）、对抗样本生成（Adversarial Perturbation）、跨模态提示注入等，评测主流多模态模型在复杂输入下的鲁棒性与防御边界。\n3. 研究多模态大模型的原生安全增强技术，探索基于潜在空间防御（Latent Space Defense）的改进算法，从模型底层提升安全性。\n4. 跟踪前沿研究进展，调研多模态学习、对抗机器学习、模型对齐与可信AI领域的顶级会议论文（如CVPR, NeurIPS, ICLR等）及技术方案，为团队提供前沿技术洞察。\n5. 协助构建多模态安全评测基准与自动化工具链，沉淀高质量的跨模态攻击数据集，形成可复现的评测流程，支持团队在多维感知场景下的风险分析与能力验证。\n1、学历背景：计算机科学、人工智能、网络安全等相关专业，硕士或博士在读。\n2、算法基础：熟悉 Transformer 结构，深入理解主流多模态大模型架构（如 LLaVA, GPT-4V, Gemini, Stable Diffusion 等）及其训练/推理机制。\n3、攻防经验：了解对抗攻击（Adversarial Attacks）经典算法（如 PGD, FGSM），或有大模型越狱（Jailbreak）、Prompt Engineering 相关研究经验者优先。\n4、编程能力：熟练掌握 Python 及 PyTorch/TensorFlow 框架，具备良好的代码实现能力，能快速复现 Paper 中的算法。\n5、学术能力：在 AI 安全、CV、NLP 等领域的顶级会议（CVPR, ICCV, ACL, NeurIPS, CCS, USENIX Security 等）发表过论文者优先。",
    "standard_classification": {
        "std_category_code": "T015",
        "std_aux_codes": [
            "T023"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}