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": "【LongCat实习】原生多模态大模型研究",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "原生多模态旨在以统一的范式处理文本、视觉、语音等各个模态的数据，从而更加自然地进行模态融合，以及通过scaling友好的训练范式，解锁模型智能的新维度。\n研究课题包括但不限于：\n1.探索early fusion阶段，引入图文交错/audio等多模态序列数据自监督预训练带来的scaling价值。\n2.原生全模态预训练的training dynamic探究，模态之间的关系建模。\n3.通过SFT / RL等手段，借助多模态token解锁模型新的智能维度，提升模型解决Robot/Gaming等物理世界问题的能力。\n【为什么是我们】\n【为什么是我们】\n1.明确的技术判断：团队在原生多模态方向有非共识的长期投入，已发布 LongCat-Next 技术报告（离散自回归原生多模态），不是跟随式的能力补齐。\n2.顶级资源支撑：5～6万卡计算集群，万亿参数文本基座已训练完成，多模态正在进行大规模上推验证——你将直接参与业界最前沿规模的多模态实验。\n3.主线与探索并行：既承担多模态基座的核心交付工作，也推进下一代原生多模态架构的前沿探索，覆盖\"数据→tokenizer→预训练→后训练→RL\"全链路。",
"requirements_text": "【必要项】\n1.熟悉NLP、LLM、MLLM、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验；\n2.熟悉Python、C++等至少一门编程语言，熟悉LINUX环境；\n3.熟悉 Megatron、DeepSpeed 等开源训练框架。\n【加分项】\n1.有影响力的开源项目中做出过核心贡献；\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。",
"skills": [AI生成
"Python",
"C++",
"Linux",
"大语言模型"
],
"preferred_qualifications": "【加分项】；2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4600051151&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4600051151",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4600051151&jobShareType=1"
},
"fulltext": "【LongCat实习】原生多模态大模型研究\n【LongCat实习】原生多模态大模型研究\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-06-30\n\n岗位职责\n原生多模态旨在以统一的范式处理文本、视觉、语音等各个模态的数据，从而更加自然地进行模态融合，以及通过scaling友好的训练范式，解锁模型智能的新维度。\n研究课题包括但不限于：\n1.探索early fusion阶段，引入图文交错/audio等多模态序列数据自监督预训练带来的scaling价值。\n2.原生全模态预训练的training dynamic探究，模态之间的关系建模。\n3.通过SFT / RL等手段，借助多模态token解锁模型新的智能维度，提升模型解决Robot/Gaming等物理世界问题的能力。\n【为什么是我们】\n【为什么是我们】\n1.明确的技术判断：团队在原生多模态方向有非共识的长期投入，已发布 LongCat-Next 技术报告（离散自回归原生多模态），不是跟随式的能力补齐。\n2.顶级资源支撑：5～6万卡计算集群，万亿参数文本基座已训练完成，多模态正在进行大规模上推验证——你将直接参与业界最前沿规模的多模态实验。\n3.主线与探索并行：既承担多模态基座的核心交付工作，也推进下一代原生多模态架构的前沿探索，覆盖\"数据→tokenizer→预训练→后训练→RL\"全链路。\n\n岗位基本要求\n【必要项】\n1.熟悉NLP、LLM、MLLM、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验；\n2.熟悉Python、C++等至少一门编程语言，熟悉LINUX环境；\n3.熟悉 Megatron、DeepSpeed 等开源训练框架。\n【加分项】\n1.有影响力的开源项目中做出过核心贡献；\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。\n原生多模态旨在以统一的范式处理文本、视觉、语音等各个模态的数据，从而更加自然地进行模态融合，以及通过scaling友好的训练范式，解锁模型智能的新维度。\n研究课题包括但不限于：\n1.探索early fusion阶段，引入图文交错/audio等多模态序列数据自监督预训练带来的scaling价值。\n2.原生全模态预训练的training dynamic探究，模态之间的关系建模。\n3.通过SFT / RL等手段，借助多模态token解锁模型新的智能维度，提升模型解决Robot/Gaming等物理世界问题的能力。\n【为什么是我们】\n【为什么是我们】\n1.明确的技术判断：团队在原生多模态方向有非共识的长期投入，已发布 LongCat-Next 技术报告（离散自回归原生多模态），不是跟随式的能力补齐。\n2.顶级资源支撑：5～6万卡计算集群，万亿参数文本基座已训练完成，多模态正在进行大规模上推验证——你将直接参与业界最前沿规模的多模态实验。\n3.主线与探索并行：既承担多模态基座的核心交付工作，也推进下一代原生多模态架构的前沿探索，覆盖\"数据→tokenizer→预训练→后训练→RL\"全链路。\n【必要项】\n1.熟悉NLP、LLM、MLLM、RL等相关领域，对其中一个或多个方向有深入的研究经历，且有相关实际项目经验；\n2.熟悉Python、C++等至少一门编程语言，熟悉LINUX环境；\n3.熟悉 Megatron、DeepSpeed 等开源训练框架。\n【加分项】\n1.有影响力的开源项目中做出过核心贡献；\n2.发表过高水平论文优先（如NeurIPS,ICLR,ICML,ACL,EMNLP等）。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}