{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "研究型实习生-网络安全大模型算法",
        "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": "计算机科学、信息安全、人工智能或相关专业硕士/博士在读",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "我们正在持续构建面向阿里集团海量安全业务的网络安全大模型，系统性突破在代码理解、漏洞挖掘、攻击模拟等高复杂度场景中的算法瓶颈。\n我们诚邀具备扎实研究能力与工程实现经验的 RI（Research Intern）实习生，深入探索以下方向：\n1. 代码安全智能：研究自然语言与编程语言跨模态对齐机制，探索面向项目级代码漏洞发现、修复、程序逆向、二进制分析等任务的长上下文代码理解与生成模型；\n2. Cyber Attack Simulation 研究：构建面向渗透测试、红蓝对抗、漏洞利用链生成的攻击模拟智能体，探索基于 Agentic RL 的多步攻防策略学习与泛化机制；\n3. 安全大模型极致压缩研究：探索以远小于闭源 SOTA 模型的参数规模，在安全垂直领域达到同等甚至更优的任务效果。研究方向包括但不限于：高质量安全领域数据配比与课程学习策略、领域知识高效注入与持续预训练、小模型在代码漏洞检测、威胁情报理解、自动化渗透等安全任务上的能力逼近与超越机制，以及面向安全场景的模型效率-性能 Pareto 前沿探索，最终实现以极小模型尺寸支撑生产级安全能力部署；\n4. 安全领域大模型全流程训练：参与预训练、SFT、GRPO/PPO 及结合 Fuzz、反编译、漏扫等安全工具的 Agentic RL 训练，推动数据 Scaling、训练策略制定与性能优化；\n5. 学术与工程双产出：将研究成果反哺至基模，提升其在漏洞识别、威胁情报提取、敏感数据检测、自动化渗透等场景中的实际能力，目标产出高质量学术论文（CVPR、ICML、ICLR、ACL、NeurIPS、IEEE S&P、USENIX Security、CCS、NDSS 等顶会）并推动技术落地。\n该岗位将直接参与前沿 AI for Security 研究，为构筑公司在攻防领域的核心技术壁垒提供关键支撑，并对外产生学术与行业影响力。",
        "requirements_text": "1. 计算机科学、信息安全、人工智能或相关专业硕士/博士在读，具备扎实的机器学习与深度学习基础；\n2. 熟悉大语言模型（LLM）与多模态大模型（VLM）的主流架构、改进方案及预训练、SFT、GRPO、PPO、Agentic RL 等训练范式，并有实际项目或研究经历；\n3. 拥有网络安全领域知识基础，了解常见攻击手法、防御机制、日志分析或漏洞原理；\n4. 具备良好的编程能力（Python 为主），熟悉 PyTorch/TensorFlow 等主流框架，并能熟练使用 DeepSpeed/Megatron 及其变体进行大规模 LLM 训练调优；\n5. 具备较强科研素养，能独立阅读论文、复现算法并设计严谨对比实验；\n6. 对代码智能、漏洞挖掘、攻防对抗等方向有浓厚兴趣。\n加分项（满足其一即可）：\n1. 在 CyberGym、ExploitBench、SecCodeBench、SWE-Bench 等 Cyber/Code Bench 上有过大模型训练或评测实践经历；\n2. 有代码大模型训练经验，或在软工领域（如 SWE-Bench、Repo-level Code Repair）有 Agentic RL 相关研究/工程经验；\n3. 熟悉逆向工程、二进制分析或程序静态/动态分析工具（如 IDA、Ghidra、Frida、angr 等）；\n4. 具备 CTF 竞赛、漏洞挖掘（CVE 提交）、自动化渗透测试、红蓝对抗实战经验；\n5. 在 NeurIPS、ICML、ICLR、ACL、CVPR、IEEE S&P、USENIX Security、CCS、NDSS 等 AI/Security 顶会以主要作者身份发表过论文；\n6. 有安全领域通用智能体、AI 自动化攻防系统相关项目经历，或对\"图生图\"、\"图生文\"、\"推理增强\"、\"NL-PL 对齐\"等前沿方向有深入思考与实践。\n我们期待的你\n1. 热爱技术，兼具 AI 与安全的跨界视野，具备强烈的问题驱动意识与探索精神；\n2. 既能沉心钻研前沿算法，也能动手解决真实安全问题，能在有限资源下高效推进研究，兼顾创新性与实用性；\n3. 追求卓越，敢于挑战\"AI + 安全\"融合中的硬核难题；\n4. 乐于协作，愿与正岗研发团队紧密配合，将研究成果转化为基模能力，共同打造下一代智能安全核心大脑。",
        "skills": [AI生成
            "Python",
            "PyTorch",
            "TensorFlow",
            "机器学习",
            "深度学习",
            "模型训练",
            "大语言模型",
            "智能体开发"
        ],
        "preferred_qualifications": "加分项（满足其一即可）：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199905780002?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199905780002",
        "post_date": "2026-07-30",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199905780002?deptCodes="
    },
    "fulltext": "研究型实习生-网络安全大模型算法\n研究型实习生-网络安全大模型算法\n\n基础信息\n毕业起止时间要求：2027-06-01 - 2041-01-29\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我们正在持续构建面向阿里集团海量安全业务的网络安全大模型，系统性突破在代码理解、漏洞挖掘、攻击模拟等高复杂度场景中的算法瓶颈。\n我们诚邀具备扎实研究能力与工程实现经验的 RI（Research Intern）实习生，深入探索以下方向：\n1. 代码安全智能：研究自然语言与编程语言跨模态对齐机制，探索面向项目级代码漏洞发现、修复、程序逆向、二进制分析等任务的长上下文代码理解与生成模型；\n2. Cyber Attack Simulation 研究：构建面向渗透测试、红蓝对抗、漏洞利用链生成的攻击模拟智能体，探索基于 Agentic RL 的多步攻防策略学习与泛化机制；\n3. 安全大模型极致压缩研究：探索以远小于闭源 SOTA 模型的参数规模，在安全垂直领域达到同等甚至更优的任务效果。研究方向包括但不限于：高质量安全领域数据配比与课程学习策略、领域知识高效注入与持续预训练、小模型在代码漏洞检测、威胁情报理解、自动化渗透等安全任务上的能力逼近与超越机制，以及面向安全场景的模型效率-性能 Pareto 前沿探索，最终实现以极小模型尺寸支撑生产级安全能力部署；\n4. 安全领域大模型全流程训练：参与预训练、SFT、GRPO/PPO 及结合 Fuzz、反编译、漏扫等安全工具的 Agentic RL 训练，推动数据 Scaling、训练策略制定与性能优化；\n5. 学术与工程双产出：将研究成果反哺至基模，提升其在漏洞识别、威胁情报提取、敏感数据检测、自动化渗透等场景中的实际能力，目标产出高质量学术论文（CVPR、ICML、ICLR、ACL、NeurIPS、IEEE S&P、USENIX Security、CCS、NDSS 等顶会）并推动技术落地。\n该岗位将直接参与前沿 AI for Security 研究，为构筑公司在攻防领域的核心技术壁垒提供关键支撑，并对外产生学术与行业影响力。\n\n职位要求\n1. 计算机科学、信息安全、人工智能或相关专业硕士/博士在读，具备扎实的机器学习与深度学习基础；\n2. 熟悉大语言模型（LLM）与多模态大模型（VLM）的主流架构、改进方案及预训练、SFT、GRPO、PPO、Agentic RL 等训练范式，并有实际项目或研究经历；\n3. 拥有网络安全领域知识基础，了解常见攻击手法、防御机制、日志分析或漏洞原理；\n4. 具备良好的编程能力（Python 为主），熟悉 PyTorch/TensorFlow 等主流框架，并能熟练使用 DeepSpeed/Megatron 及其变体进行大规模 LLM 训练调优；\n5. 具备较强科研素养，能独立阅读论文、复现算法并设计严谨对比实验；\n6. 对代码智能、漏洞挖掘、攻防对抗等方向有浓厚兴趣。\n加分项（满足其一即可）：\n1. 在 CyberGym、ExploitBench、SecCodeBench、SWE-Bench 等 Cyber/Code Bench 上有过大模型训练或评测实践经历；\n2. 有代码大模型训练经验，或在软工领域（如 SWE-Bench、Repo-level Code Repair）有 Agentic RL 相关研究/工程经验；\n3. 熟悉逆向工程、二进制分析或程序静态/动态分析工具（如 IDA、Ghidra、Frida、angr 等）；\n4. 具备 CTF 竞赛、漏洞挖掘（CVE 提交）、自动化渗透测试、红蓝对抗实战经验；\n5. 在 NeurIPS、ICML、ICLR、ACL、CVPR、IEEE S&P、USENIX Security、CCS、NDSS 等 AI/Security 顶会以主要作者身份发表过论文；\n6. 有安全领域通用智能体、AI 自动化攻防系统相关项目经历，或对\"图生图\"、\"图生文\"、\"推理增强\"、\"NL-PL 对齐\"等前沿方向有深入思考与实践。\n我们期待的你\n1. 热爱技术，兼具 AI 与安全的跨界视野，具备强烈的问题驱动意识与探索精神；\n2. 既能沉心钻研前沿算法，也能动手解决真实安全问题，能在有限资源下高效推进研究，兼顾创新性与实用性；\n3. 追求卓越，敢于挑战\"AI + 安全\"融合中的硬核难题；\n4. 乐于协作，愿与正岗研发团队紧密配合，将研究成果转化为基模能力，共同打造下一代智能安全核心大脑。\n\n在招业务\n阿里巴巴控股集团\n我们正在持续构建面向阿里集团海量安全业务的网络安全大模型，系统性突破在代码理解、漏洞挖掘、攻击模拟等高复杂度场景中的算法瓶颈。\n我们诚邀具备扎实研究能力与工程实现经验的 RI（Research Intern）实习生，深入探索以下方向：\n1. 代码安全智能：研究自然语言与编程语言跨模态对齐机制，探索面向项目级代码漏洞发现、修复、程序逆向、二进制分析等任务的长上下文代码理解与生成模型；\n2. Cyber Attack Simulation 研究：构建面向渗透测试、红蓝对抗、漏洞利用链生成的攻击模拟智能体，探索基于 Agentic RL 的多步攻防策略学习与泛化机制；\n3. 安全大模型极致压缩研究：探索以远小于闭源 SOTA 模型的参数规模，在安全垂直领域达到同等甚至更优的任务效果。研究方向包括但不限于：高质量安全领域数据配比与课程学习策略、领域知识高效注入与持续预训练、小模型在代码漏洞检测、威胁情报理解、自动化渗透等安全任务上的能力逼近与超越机制，以及面向安全场景的模型效率-性能 Pareto 前沿探索，最终实现以极小模型尺寸支撑生产级安全能力部署；\n4. 安全领域大模型全流程训练：参与预训练、SFT、GRPO/PPO 及结合 Fuzz、反编译、漏扫等安全工具的 Agentic RL 训练，推动数据 Scaling、训练策略制定与性能优化；\n5. 学术与工程双产出：将研究成果反哺至基模，提升其在漏洞识别、威胁情报提取、敏感数据检测、自动化渗透等场景中的实际能力，目标产出高质量学术论文（CVPR、ICML、ICLR、ACL、NeurIPS、IEEE S&P、USENIX Security、CCS、NDSS 等顶会）并推动技术落地。\n该岗位将直接参与前沿 AI for Security 研究，为构筑公司在攻防领域的核心技术壁垒提供关键支撑，并对外产生学术与行业影响力。\n1. 计算机科学、信息安全、人工智能或相关专业硕士/博士在读，具备扎实的机器学习与深度学习基础；\n2. 熟悉大语言模型（LLM）与多模态大模型（VLM）的主流架构、改进方案及预训练、SFT、GRPO、PPO、Agentic RL 等训练范式，并有实际项目或研究经历；\n3. 拥有网络安全领域知识基础，了解常见攻击手法、防御机制、日志分析或漏洞原理；\n4. 具备良好的编程能力（Python 为主），熟悉 PyTorch/TensorFlow 等主流框架，并能熟练使用 DeepSpeed/Megatron 及其变体进行大规模 LLM 训练调优；\n5. 具备较强科研素养，能独立阅读论文、复现算法并设计严谨对比实验；\n6. 对代码智能、漏洞挖掘、攻防对抗等方向有浓厚兴趣。\n加分项（满足其一即可）：\n1. 在 CyberGym、ExploitBench、SecCodeBench、SWE-Bench 等 Cyber/Code Bench 上有过大模型训练或评测实践经历；\n2. 有代码大模型训练经验，或在软工领域（如 SWE-Bench、Repo-level Code Repair）有 Agentic RL 相关研究/工程经验；\n3. 熟悉逆向工程、二进制分析或程序静态/动态分析工具（如 IDA、Ghidra、Frida、angr 等）；\n4. 具备 CTF 竞赛、漏洞挖掘（CVE 提交）、自动化渗透测试、红蓝对抗实战经验；\n5. 在 NeurIPS、ICML、ICLR、ACL、CVPR、IEEE S&P、USENIX Security、CCS、NDSS 等 AI/Security 顶会以主要作者身份发表过论文；\n6. 有安全领域通用智能体、AI 自动化攻防系统相关项目经历，或对\"图生图\"、\"图生文\"、\"推理增强\"、\"NL-PL 对齐\"等前沿方向有深入思考与实践。\n我们期待的你\n1. 热爱技术，兼具 AI 与安全的跨界视野，具备强烈的问题驱动意识与探索精神；\n2. 既能沉心钻研前沿算法，也能动手解决真实安全问题，能在有限资源下高效推进研究，兼顾创新性与实用性；\n3. 追求卓越，敢于挑战\"AI + 安全\"融合中的硬核难题；\n4. 乐于协作，愿与正岗研发团队紧密配合，将研究成果转化为基模能力，共同打造下一代智能安全核心大脑。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}