我们在打造下一代 Large Reasoning Model（LRM），面向多模态理解、复杂任务推理与企业级智能体应用。团队强调“研究 × 工程”的双轮驱动与高效协作，重视可复现、可评测与可落地。
你将做什么
o    跟踪并梳理大模型/推理智能的前沿进展，完成可复现验证与小规模对比实验；
o    参与模型训练与评测闭环：数据准备与分析、训练与调参与对比、指标产出与报告；
o    围绕“推理能力与智能体”方向展开探索性课题（如规划能力、工具使用、记忆与长链路稳定性等的通用方法研究）；
o    参与基础工程工作：提高训练/推理效率与稳定性，优化实验与评测流水线；
我们希望你具备
o    计算机/电子工程/应用数学等相关专业 硕士及以上（优秀本科/保研生亦可）；能高效阅读英文论文与技术文档；
o    扎实的算法与工程基础：数据结构、概率统计、优化方法；Python/C++ 熟练、代码规范良好；
o    熟悉 PyTorch；了解分布式/加速训练或有相关实践（任一技术栈即可）；
o    数据工程与分析能力：能够完成数据清洗、构造与可视化分析（SQL/Bash/pandas/sklearn 等其一）；
o    良好的沟通与自驱：能把复杂问题拆解为可验证的小目标，并稳定推进。
加分项（具备其一更佳）
o    有指令对齐、强化学习或推理相关研究/实践（如奖励设计、搜索/自反思等通用思路）；
o    有多模态（图像/视频/语音-语言）方向经验，或构建过评测集/回放评估；
o    做过推理/服务优化、模型压缩与部署、在线实验等工程项目；
o    有高质量开源、竞赛成绩或论文发表。
平台与资源
o    多机多卡 GPU 训练/推理集群 与高带宽网络；
o    自研 端到端平台（开发、数据、训练、评测、推理一体化）与规范的实验闭环；
o    完整的“研究—工程—评测—应用”协作机制，跨方向配合顺畅。
实习收益
o    落地经验：把“论文想法”做成“可复现可评测的能力”，直面真实场景约束；
o    Mentoring：代码评审、研究复盘、技术分享与里程碑共建；
o    转正与户口机会：表现优秀者可获转正与户口名额机会（以当年政策为准）。
投递方式
o    请将简历（PDF）以 “学校-姓名-年级-方向（LRM实习）” 为标题发送至：wangpeng31@lenovo.com
o    邮件中请注明 预计实习期的起止时间、可到岗城市/远程情况，以及意向方向（如：多模态/推理/工程平台/评测；可多选）。
o    欢迎附上代表性项目/论文/开源链接/技术博客。
--
FROM 111.205.43.*