主分类：大模型与生成式算法研发
辅助：计算机视觉与图像感知算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "研究型实习生 - 医疗AI基础大模型技术的研究（生成&感知&多模态等）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里巴巴控股集团",
"location": "北京 / 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": "国内外知名高校在读硕士或者博士研究生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "医学影像（如CT、MRI、超声等）AI识别技术在疾病筛查、诊断和治疗过程中发挥着重要作用。达摩院医疗实验室癌症早筛、医学图像合成技术（AICG）、医疗多模态大模型、医学影像感知基础模型、影像报告生成、等领域已有多年积累，相关创新成果发表于Nature Medicine/TPAMI/IJCV/CVPR/ICCV/NeurIPS/ICLR/ICML等领域顶会顶刊。传统医学影像AI模型大多是在专门构建的小数据上训练专有小模型，受限于训练数据量和模型尺寸，此类模型通常泛化性较差无法满足真实世界的多中心需求。近几年大模型的兴起，特别是医疗垂域大模型的出现，为医学影像分析带来了新的机遇。我们期望通过研究医疗影像AI相关的基础模型技术（包括但不限于医疗影像生成大模型、感知基础模型、多模态大模型、大模型优化、Agent智能体等），解决有应用价值的临床问题。\n我们期望你在实习工作中，解决如下算法问题，发表高质量的AI顶会或者临床期刊：\n（1）医学影像生成大模型：探索医疗影像生成基础大模型（医疗领域的SORA），探索医疗影像感知生成一体框架，探索医疗编辑统一模型，探索如何合成高质量医学影像数据等。\n（2）医学影像感知基础模型：探索自监督和VLP等范式的大规模预训练方法（例如DinoV2/CLIP/MAE）及其临床应用，探索对多器官、多病种的感知和理解统一模型（例如Vista3d、MedSAM2、MedClip）等。\n（3）医疗多模态大模型（MLLM）：探索如何融合不同医疗模态的影像和文本数据，探索医疗多模态大模型的临床应用，探索医疗影像报告生成、探索基于文本引导的grounding任务等。\n（4）大模型训练推理加速技术：探索在保证模型性能的前提下提升生成模型的训练和推理效率，包括但不限于扩散模型、LLM、多模态大模型、Transformer和CNN网络架构的训练推理加速。\n（5）医疗Agent智能体：探索医疗Agent系统的设计或者临床任务的应用，能够根据实际的诊断流程设计合理的Agent智能体。\n（6）其他有价值的临床医学课题：基于高质量临床医学数据，分析其中临床问题针对性设计合适的AI算法，完成临床实验验证。",
"requirements_text": "1、国内外知名高校在读硕士或者博士研究生，AI或者医学相关研究方向。精通深度学习、机器学习、计算机视觉、自然语言处理及医学影像处理，熟悉熟悉医疗影像AI模型、大模型预训练、多模态大模型、图像生成、医疗影像AI、训练推理优化等相关课题原理及其应用，能够根据具体问题选择并设计合适的模型和技术方案。\n2、发表过CV&AI顶会顶刊或者医疗领域顶会顶刊论文优先，ACM编程竞赛、人工智能竞赛、计算机视觉竞赛等竞赛获奖优先。\n3、熟悉临床论文临床实验设计，有实际回顾性或者前瞻性实验设计经历优先，有实际医院合作项目经历的有限。\n4、动手实现能力强，代码基本功扎实，精通基于C++或者Python的算法开发；熟练掌握pytorch/tensorflow/mxnet等至少一项深度学习框架。\n5、责任心强、敢于承担、有激情、团队合作、沟通能力佳。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"自然语言处理",
"计算机视觉",
"团队协作",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "2、发表过CV&AI顶会顶刊或者医疗领域顶会顶刊论文优先，ACM编程竞赛、人工智能竞赛、计算机视觉竞赛等竞赛获奖优先；3、熟悉临床论文临床实验设计，有实际回顾性或者前瞻性实验设计经历优先，有实际医院合作项目经历的有限",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199904080004?deptCodes="
}
]
},
"posting": {
"posting_id": "199904080004",
"post_date": "2026-05-20",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199904080004?deptCodes="
},
"fulltext": "研究型实习生 - 医疗AI基础大模型技术的研究（生成&感知&多模态等）\n研究型实习生 - 医疗AI基础大模型技术的研究（生成&感知&多模态等）\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2030-01-01\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：北京 / 杭州\n\n职位描述\n医学影像（如CT、MRI、超声等）AI识别技术在疾病筛查、诊断和治疗过程中发挥着重要作用。达摩院医疗实验室癌症早筛、医学图像合成技术（AICG）、医疗多模态大模型、医学影像感知基础模型、影像报告生成、等领域已有多年积累，相关创新成果发表于Nature Medicine/TPAMI/IJCV/CVPR/ICCV/NeurIPS/ICLR/ICML等领域顶会顶刊。传统医学影像AI模型大多是在专门构建的小数据上训练专有小模型，受限于训练数据量和模型尺寸，此类模型通常泛化性较差无法满足真实世界的多中心需求。近几年大模型的兴起，特别是医疗垂域大模型的出现，为医学影像分析带来了新的机遇。我们期望通过研究医疗影像AI相关的基础模型技术（包括但不限于医疗影像生成大模型、感知基础模型、多模态大模型、大模型优化、Agent智能体等），解决有应用价值的临床问题。\n我们期望你在实习工作中，解决如下算法问题，发表高质量的AI顶会或者临床期刊：\n（1）医学影像生成大模型：探索医疗影像生成基础大模型（医疗领域的SORA），探索医疗影像感知生成一体框架，探索医疗编辑统一模型，探索如何合成高质量医学影像数据等。\n（2）医学影像感知基础模型：探索自监督和VLP等范式的大规模预训练方法（例如DinoV2/CLIP/MAE）及其临床应用，探索对多器官、多病种的感知和理解统一模型（例如Vista3d、MedSAM2、MedClip）等。\n（3）医疗多模态大模型（MLLM）：探索如何融合不同医疗模态的影像和文本数据，探索医疗多模态大模型的临床应用，探索医疗影像报告生成、探索基于文本引导的grounding任务等。\n（4）大模型训练推理加速技术：探索在保证模型性能的前提下提升生成模型的训练和推理效率，包括但不限于扩散模型、LLM、多模态大模型、Transformer和CNN网络架构的训练推理加速。\n（5）医疗Agent智能体：探索医疗Agent系统的设计或者临床任务的应用，能够根据实际的诊断流程设计合理的Agent智能体。\n（6）其他有价值的临床医学课题：基于高质量临床医学数据，分析其中临床问题针对性设计合适的AI算法，完成临床实验验证。\n\n职位要求\n1、国内外知名高校在读硕士或者博士研究生，AI或者医学相关研究方向。精通深度学习、机器学习、计算机视觉、自然语言处理及医学影像处理，熟悉熟悉医疗影像AI模型、大模型预训练、多模态大模型、图像生成、医疗影像AI、训练推理优化等相关课题原理及其应用，能够根据具体问题选择并设计合适的模型和技术方案。\n2、发表过CV&AI顶会顶刊或者医疗领域顶会顶刊论文优先，ACM编程竞赛、人工智能竞赛、计算机视觉竞赛等竞赛获奖优先。\n3、熟悉临床论文临床实验设计，有实际回顾性或者前瞻性实验设计经历优先，有实际医院合作项目经历的有限。\n4、动手实现能力强，代码基本功扎实，精通基于C++或者Python的算法开发；熟练掌握pytorch/tensorflow/mxnet等至少一项深度学习框架。\n5、责任心强、敢于承担、有激情、团队合作、沟通能力佳。\n\n在招业务\n阿里巴巴控股集团\n医学影像（如CT、MRI、超声等）AI识别技术在疾病筛查、诊断和治疗过程中发挥着重要作用。达摩院医疗实验室癌症早筛、医学图像合成技术（AICG）、医疗多模态大模型、医学影像感知基础模型、影像报告生成、等领域已有多年积累，相关创新成果发表于Nature Medicine/TPAMI/IJCV/CVPR/ICCV/NeurIPS/ICLR/ICML等领域顶会顶刊。传统医学影像AI模型大多是在专门构建的小数据上训练专有小模型，受限于训练数据量和模型尺寸，此类模型通常泛化性较差无法满足真实世界的多中心需求。近几年大模型的兴起，特别是医疗垂域大模型的出现，为医学影像分析带来了新的机遇。我们期望通过研究医疗影像AI相关的基础模型技术（包括但不限于医疗影像生成大模型、感知基础模型、多模态大模型、大模型优化、Agent智能体等），解决有应用价值的临床问题。\n我们期望你在实习工作中，解决如下算法问题，发表高质量的AI顶会或者临床期刊：\n（1）医学影像生成大模型：探索医疗影像生成基础大模型（医疗领域的SORA），探索医疗影像感知生成一体框架，探索医疗编辑统一模型，探索如何合成高质量医学影像数据等。\n（2）医学影像感知基础模型：探索自监督和VLP等范式的大规模预训练方法（例如DinoV2/CLIP/MAE）及其临床应用，探索对多器官、多病种的感知和理解统一模型（例如Vista3d、MedSAM2、MedClip）等。\n（3）医疗多模态大模型（MLLM）：探索如何融合不同医疗模态的影像和文本数据，探索医疗多模态大模型的临床应用，探索医疗影像报告生成、探索基于文本引导的grounding任务等。\n（4）大模型训练推理加速技术：探索在保证模型性能的前提下提升生成模型的训练和推理效率，包括但不限于扩散模型、LLM、多模态大模型、Transformer和CNN网络架构的训练推理加速。\n（5）医疗Agent智能体：探索医疗Agent系统的设计或者临床任务的应用，能够根据实际的诊断流程设计合理的Agent智能体。\n（6）其他有价值的临床医学课题：基于高质量临床医学数据，分析其中临床问题针对性设计合适的AI算法，完成临床实验验证。\n1、国内外知名高校在读硕士或者博士研究生，AI或者医学相关研究方向。精通深度学习、机器学习、计算机视觉、自然语言处理及医学影像处理，熟悉熟悉医疗影像AI模型、大模型预训练、多模态大模型、图像生成、医疗影像AI、训练推理优化等相关课题原理及其应用，能够根据具体问题选择并设计合适的模型和技术方案。\n2、发表过CV&AI顶会顶刊或者医疗领域顶会顶刊论文优先，ACM编程竞赛、人工智能竞赛、计算机视觉竞赛等竞赛获奖优先。\n3、熟悉临床论文临床实验设计，有实际回顾性或者前瞻性实验设计经历优先，有实际医院合作项目经历的有限。\n4、动手实现能力强，代码基本功扎实，精通基于C++或者Python的算法开发；熟练掌握pytorch/tensorflow/mxnet等至少一项深度学习框架。\n5、责任心强、敢于承担、有激情、团队合作、沟通能力佳。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T034"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}