主分类：大模型与生成式算法研发
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 - 全模态基座基础能力与Agentic应用",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "Token Foundry",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里巴巴集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "10000人以上",
"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": "候选人应为计算机及相关专业的博士或硕士研究生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从几百 M 到 T 级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。\n团队致力于追逐实现 Omni 基座模型，实现全模态理解与对话统一。团队音频组负责围绕 Qwen 基座模型展开音视频/音频处理以及与音视频交互相关的基础研究及其应用，代表工作有 Qwen-Omni系列, Qwen-LiveTranslate系列等。\n工作职责：\n1. 音频/音视频 Agentic能力: 原生音视频Agentic/Long-horizen, 全模态Agentic/Coding不降智等。\n2. 音视频理解基础能力：包括Caption, Grouding, 音视频Alignment， General QA，长视频，多音视频理解等。\n3. 音频/语音理解基础能力: 包括ASR, MultiSpkASR, 语音/音频Grouding/Counting/QA，音乐理解，长音频，多音频理解等。\n4. 音频/音视频Postrain/RL/OPD。\n5. 音视频通话与交互：包括全音视频双工, 音频query不降智/体感优化等。\n6. 语音生成基础能力: 包括音色克隆，可控性，长语音生成稳定性等。\n7. 全模态模型自主优化与Self-evolving。",
"requirements_text": "1. 候选人应为计算机及相关专业的博士或硕士研究生，且对音视频领域有充分的兴趣。\n2. 具备音频/语音理解与生成、多模态对齐与交互（音视频Alignment/Captioning）、或 Agentic AI 与长程推理（Long-horizon/Omni模型）任一方向的深入项目经验。\n3. 在 ACL, ICML, NeurIPS, CVPR, Interspeech 等顶级会议/期刊发表论文，或在相关开源项目、技术竞赛中有突出表现者优先。",
"skills": [AI生成
"大语言模型"
],
"preferred_qualifications": "3. 在 ACL, ICML, NeurIPS, CVPR, Interspeech 等顶级会议/期刊发表论文，或在相关开源项目、技术竞赛中有突出表现者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907920011?deptCodes="
}
]
},
"posting": {
"posting_id": "199907920011",
"post_date": "2026-08-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907920011?deptCodes="
},
"fulltext": "研究型实习生 - 全模态基座基础能力与Agentic应用\n研究型实习生 - 全模态基座基础能力与Agentic应用\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2032-10-31\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千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从几百 M 到 T 级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。\n团队致力于追逐实现 Omni 基座模型，实现全模态理解与对话统一。团队音频组负责围绕 Qwen 基座模型展开音视频/音频处理以及与音视频交互相关的基础研究及其应用，代表工作有 Qwen-Omni系列, Qwen-LiveTranslate系列等。\n工作职责：\n1. 音频/音视频 Agentic能力: 原生音视频Agentic/Long-horizen, 全模态Agentic/Coding不降智等。\n2. 音视频理解基础能力：包括Caption, Grouding, 音视频Alignment， General QA，长视频，多音视频理解等。\n3. 音频/语音理解基础能力: 包括ASR, MultiSpkASR, 语音/音频Grouding/Counting/QA，音乐理解，长音频，多音频理解等。\n4. 音频/音视频Postrain/RL/OPD。\n5. 音视频通话与交互：包括全音视频双工, 音频query不降智/体感优化等。\n6. 语音生成基础能力: 包括音色克隆，可控性，长语音生成稳定性等。\n7. 全模态模型自主优化与Self-evolving。\n\n职位要求\n1. 候选人应为计算机及相关专业的博士或硕士研究生，且对音视频领域有充分的兴趣。\n2. 具备音频/语音理解与生成、多模态对齐与交互（音视频Alignment/Captioning）、或 Agentic AI 与长程推理（Long-horizon/Omni模型）任一方向的深入项目经验。\n3. 在 ACL, ICML, NeurIPS, CVPR, Interspeech 等顶级会议/期刊发表论文，或在相关开源项目、技术竞赛中有突出表现者优先。\n\n在招业务\nToken Foundry\n千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从几百 M 到 T 级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。\n团队致力于追逐实现 Omni 基座模型，实现全模态理解与对话统一。团队音频组负责围绕 Qwen 基座模型展开音视频/音频处理以及与音视频交互相关的基础研究及其应用，代表工作有 Qwen-Omni系列, Qwen-LiveTranslate系列等。\n工作职责：\n1. 音频/音视频 Agentic能力: 原生音视频Agentic/Long-horizen, 全模态Agentic/Coding不降智等。\n2. 音视频理解基础能力：包括Caption, Grouding, 音视频Alignment， General QA，长视频，多音视频理解等。\n3. 音频/语音理解基础能力: 包括ASR, MultiSpkASR, 语音/音频Grouding/Counting/QA，音乐理解，长音频，多音频理解等。\n4. 音频/音视频Postrain/RL/OPD。\n5. 音视频通话与交互：包括全音视频双工, 音频query不降智/体感优化等。\n6. 语音生成基础能力: 包括音色克隆，可控性，长语音生成稳定性等。\n7. 全模态模型自主优化与Self-evolving。\n1. 候选人应为计算机及相关专业的博士或硕士研究生，且对音视频领域有充分的兴趣。\n2. 具备音频/语音理解与生成、多模态对齐与交互（音视频Alignment/Captioning）、或 Agentic AI 与长程推理（Long-horizon/Omni模型）任一方向的深入项目经验。\n3. 在 ACL, ICML, NeurIPS, CVPR, Interspeech 等顶级会议/期刊发表论文，或在相关开源项目、技术竞赛中有突出表现者优先。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}