研究型实习生 - 大模型多模态记忆增强研究

当前大模型（LLMs/MLLMs）在长对话和复杂任务链中面临上下文窗口限制和遗忘问题。尽管扩大上下文长度有所帮助，但其计算和推理成本高昂，且难以实现真正意义上的终身学习和经验累积。另一方面，现有模型在交互中往往缺乏个性化的体验，无法有效地捕捉、存储和召回与特定用户、特定场景相关的多模态经验。为了使大模型具备像人类一样从持续交互中学习、积累和灵活调度的能力，并实现从通用助手到私人智能伙伴的跃升，亟需构建一个高效、多层次、时间敏感的多模态记忆系统。这不仅能突破输入长度限制，还能通过跨模态信息的整合和知识的结构化，大幅提升模型在复杂场景下的鲁棒性、泛化能力和自我进化能力。 大模型多模态记忆增强研究项目，团队在多个方向上进行探索，若你对以下一个或多个课题感兴趣均欢迎投递：

1. 01

   多层次记忆的构建与管理

2. 02

   多模态记忆的嵌入与召回

3. 03

   时间敏感的记忆调度策略

4. 04

   记忆智能体（Memory Agent）的构建

1. 01

   在读研究生以上学历，具备LLM/RAG/Agent研发经验，第一作者发表过顶级会议论文。

2. 02

   扎实的算法能力，优良的编程风格，熟悉Python语言，具备复杂系统的设计开发调试能力。

3. 03

   优良的沟通表达能力、团队合作意识和经验；具备快速学习的能力，以及深入钻研技术问题的耐心。