多模态Pretrain研究员（audio方向）

设计并研发输入输出任意模态（Any-to-Any）的统一架构，重点攻克 Audio-in-Audio-out 的原生建模；

研发高性能的神经音频编解码器（Neural Audio Codec），探索连续表征与离散 Token 的最优平衡；

利用海量多模态数据（语音、音乐、环境音、视频），负责超大规模参数模型的分布式预训练；

探索针对音频模态的指令微调与强化学习算法，优化模型在语音交互中的情感表达、打断机制、副语言（笑声、停顿）以及听感质量。

计算机科学、人工智能、电子工程等相关博士学历；

具备大模型（LLM 或多模态）训练经验，深入理解 Transformer 架构及分布式训练框架（Megatron-LM, DeepSpeed，TorchTitan 等）；

深入掌握以下至少一方向： • Audio/Text Interleaved Pretraining • Multimodal Alignment & RL • End-to-End Speech Dialogue Modeling

精通 Pytorch，具备海量数据处理经验；

具备跨时区协作与良好沟通能力，结果导向，责任心强。

在 NeurIPS/ICML/ICASSP/ISMIR 等顶级会议发表论文；

负责过百万小时级 (或以上) 多类型音频数据管理；

曾核心参与过工业级 Omni / Multimodal Foundation Model。