【LongCat实习】Longcat 大模型研究员-Agentic Model

大模型从通用问答走向复杂任务执行，Agent 能力正成为模型演进的关键方向。为此我们探索将通用基座模型向原生 Agentic Foundation Model 演进，为构建下一代自主智能体提供坚实的底座支持。
团队在以下方向上进行探索，若你对以下一个或者多个课题感兴趣均欢迎投递：
1.大规模高质量数据体系与轨迹合成数据建设
建设 Trillion 级别的大规模跨模态数据处理与合成链路，负责从训练数据获取到配比建模的全流程优化。
探索大规模合成数据 与自蒸馏技术，制定合成数据应用策略，构建模型持续进化的数据飞轮。
2.长上下文 (Long Context) 与高效架构演进长窗口突破
持续 Scaling Up 模型的上下文窗口，优化超长上下文机制，重点提升 LongCat 基座模型在长上下文上的表现。
探索并验证 MoE（混合专家）、稀疏注意力（Sparse Attention）、线性注意力等模型结构；结合剪枝与稀疏化技术，协同优化训练与推理效率，提升超长上下文场景下的效率。
3.多模态能力融合
探索多模态预训练新范式，突破模态融合瓶颈。利用多模态扩展定律指导数据与训练方案，提升模型在多模态交互场景下的原生能力。
【为什么是我们】
1.团队扁平，人才密度高，美团“顶尖人才计划”比例高，近年团队在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文数十篇，团队员工获EMNLP/ACL等Outstanding Paper；
2.参与大语言模型核心技术研发，接触大规模RL、超长上下文、分布式训练和推理优化等前沿技术；
3.充足算力保障，拥有大规模分布式训练环境和丰富数据资源。