# MiMo算法研究员-预训练 外部公开机会：不能在 Agent觅聘 内申请，请前往官方渠道投递。 投递在官方渠道完成，完整外部回执留在本人工作区；已登录时，通过 CLI 明确记录的选择、本人自报投递和渠道观察三类最小事件默认上报平台。浏览或保存岗位不会触发上报，外部投递不会出现在“我的申请”里。 - 公司: 小米 MiMo 团队 (阶段未知) - 地点: 北京 - 职能: 算法 - 前往官方投递: https://xiaomi.jobs.f.mioffice.cn/index/position/7621370252371216678/detail ## 雷达摘要（非 JD 全文） 我们在做什么？核心预训练（Core Pre-training）我们不仅是在训练模型，更是在探索智能的本质边界。我们致力于从零构建下一代通用的智能基座：；1. Backbone & Architecture；- 下一代基座：Model size scaling & context length scaling；- 原生多模态：设计文本、视觉、音频原生融合的统一架构，实现端到端的物理世界感知与推理。；- Co-design：坚持 Algorithm-Infra Co-design，结合底层硬件特性（Kernel/拓扑）设计架构，突破训练与推理的效率瓶颈。；2. Data；- 真实数据 scaling：建设超大规模多模态数据发掘、采集、清洗与配比流水线，覆盖所有人类已有数据。；- 合成数据 scaling：攻克高质量合成数据的生成与验证难题，解决数据稀缺性，提升数据知识密度、推理密度、推理长度。；3. Optimization；- 极致收敛：研发适应万卡集群、超大 Batch Size 的新型优化器。；- 训练稳定性：深入研究 Training Dynamics，解决 Loss Spike 与泛化难题，保障大规模训练的鲁棒性。 ## 职责与交付物 - 我们在做什么？核心预训练（Core Pre-training）我们不仅是在训练模型，更是在探索智能的本质边界。我们致力于从零构建下一代通用的智能基座： - 1. Backbone & Architecture - - 下一代基座：Model size scaling & context length scaling - - 原生多模态：设计文本、视觉、音频原生融合的统一架构，实现端到端的物理世界感知与推理。 - - Co-design：坚持 Algorithm-Infra Co-design，结合底层硬件特性（Kernel/拓扑）设计架构，突破训练与推理的效率瓶颈。 - 2. Data - - 真实数据 scaling：建设超大规模多模态数据发掘、采集、清洗与配比流水线，覆盖所有人类已有数据。 - - 合成数据 scaling：攻克高质量合成数据的生成与验证难题，解决数据稀缺性，提升数据知识密度、推理密度、推理长度。 - 3. Optimization - - 极致收敛：研发适应万卡集群、超大 Batch Size 的新型优化器。 - - 训练稳定性：深入研究 Training Dynamics，解决 Loss Spike 与泛化难题，保障大规模训练的鲁棒性。 ## 任职要求 - - 笃信 AGI 愿景 — 笃信而建，即使前路未明，仍坚持探索，致力于推动 AGI 的实现。 - - 坚定的技术信仰 — 深刻理解 "The Bitter Lesson" 的核心逻辑，笃信算力规模与通用算法的长期价值，具备从系统全局视角思考算法问题的宏观视野。 - - 卓越的学术背景 — 在 AI 领域顶级会议或期刊（ICLR, NeurIPS, ICML, CVPR, ACL 等）发表过具有影响力的学术论文，展现出深厚的研究品味与技术前瞻性。 - - 扎实的工程底蕴 — 精通 PyTorch 等主流深度学习框架，具备处理大规模分布式训练 (Distributed Training) 的实战经验。熟悉 Megatron-LM 等训练框架底层原理，具备对 Backbone、Optimizer 或 Data Loader 进行底层代码级优化的能力。 - - 韧性与协作能力 — 具备在高度不确定性环境下解决复杂问题的韧性；能够与 Infra 团队进行跨学科的高效沟通，共同推进极具挑战性的工程落地。 ## 申请方式 - https://xiaomi.jobs.f.mioffice.cn/index/position/7621370252371216678/detail - 打开该精确官方岗位详情；决定申请时在官方页面确认岗位仍开放，并依官方页面要求继续。 --- opening_id: 54384072-aad8-41c2-8656-a8b02770d77f `anm openings save --id 54384072-aad8-41c2-8656-a8b02770d77f`