大模型安全研究与攻防能力研究员（实习&校招）

AI 摘要智能生成

要真正实现从“被动响应”到“免疫级防御”的跨越

职位描述

我们的目标是以 AGI 级别的智能构建更加安全的网络空间。在软件复杂度呈指数级增长的今天，传统的防御手段正面临严重的不对称劣势；要真正实现从“被动响应”到“免疫级防御”的跨越，基座模型必须具备对底层系统逻辑与攻防本质的深刻理解。我们正在探索一个极具 Moonshot 意义的核心命题： 如何通过预训练、后训练（Post-training）与大规模强化学习，将顶级安全专家的攻防思维、漏洞挖掘直觉与系统加固能力，内化为基座模型的原生能力（Native Capability）。 在这里，你将直接参与前沿基座大模型在网络空间安全（Cybersecurity）领域的垂直演进。你的核心工作不是做传统意义上的业务防御，而是将软件漏洞挖掘、二进制逆向、、sandbox逃逸与 Exploit 构造等复杂的攻防博弈过程，转化为可泛化、可自我演进的模型训练Pipeline与强化学习环境。我们希望与你一起，打造具备顶尖人类安全研究员水准的大模型，在逼近 AGI 能力边界的同时，构建真正具备代际优势的主动防御与前沿红队评估体系。通过大模型的能力努力构建一个更加安全的网络空间。 我们在寻找什么样的人？ 我们在寻找既在底层攻防领域有深厚实战积淀，又对 AGI 怀有强烈技术信仰的探索者。 我们期待你是一个 有丰富的安全研究经验 视 Exploit 为一门艺术（The Art of Exploitation） 相信 AGI 并践行。 你深信 Scaling Law 与强化学习终将重塑网络空间安全的格局。

任职要求

• 扎实的底层安全与漏洞实战功底： 深入理解主流操作系统内核（Linux / Windows / XNU / Android 等）、系统组件或核心开源基础设施的底层机制；具备独立挖掘复杂漏洞（Web漏洞或UAF、OOB、Race Condition、逻辑状态机缺陷等）及编写高质量 PoC / Exploit 的实战能力。
• 高质量攻防数据合成： 能够设计并搭建高并发、高隔离性的自动化安全演练环境，将 Fuzzing 反馈、符号执行、污点分析、崩溃调用栈（Crash dump）及调试器交互轨迹转化为可量化的奖励信号（Reward Signal / Verifier）与高质量合成轨迹（Trajectory）。
• 前沿攻防能力评估与演进（Red & Blue Capabilities）： 能够超越传统的静态问答 Benchmark，设计面向真实复杂代码库与动态对抗环境的评估与训练基准。在红队方向，系统性衡量并突破模型在自主漏洞发现（Autonomous Vulnerability Discovery）与自动漏洞利用（AEG）上的能力上限；在蓝队方向，构建模型在精准根因分析（RCA）、自动化补丁生成（APR，确保功能无损与状态一致性）、入侵检测分析与系统自愈防御上的闭环能力。
• 卓越的工程实现能力： 精通 C/C++、Rust、Python 等语言中的至少一种语言，具备较强的系统级编码能力与调试功底，能够在算力与数据规模受限的场景下快速验证想法。
• 加分项：
• 有独立安全研究成果，包括但不限于 Windows Kernel 、Android、MacOS、iOS 或者其他难度较高的安全领域 。拥有高含金量的 CVE 致谢记录（如 Linux Kernel、主流浏览器、Hypervisor、核心网络协议栈等），曾向知名开源社区提交过高质量安全补丁。
• 有知名的国内外CTF 赛事经验，包括但不限于XCTF、0CTF、DEFCON CTF、HITCON CTF等，并且有独立解题能力的CTF选手。
• 在国内外知名的Pwn类赛事中获得优异比赛成绩的，如 Pwn2Own、天网杯、天府杯等赛事中，亦或在 BlackHat、HITCON、BlueHat 等顶级安全会议上发表过硬核议题。
• 参加过国内大型红蓝对抗项目，作为主力并取得过优异成绩；在红蓝对抗，渗透测试领域有深厚的经验和具体的产出