研究型实习生 - 全模态基座基础能力与Agentic应用

AI 摘要智能生成

音视频通话与交互：包括全音视频双工

职位描述

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。 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。 工作职责： 1. 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。 2. 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。 3. 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。 4. 音频/音视频Postrain/RL/OPD。 5. 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。 6. 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。 7. 全模态模型自主优化与Self-evolving。

任职要求

• 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。
• 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。
• 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。