🌟关于我们需要的人

在大模型（LLM）向 Autonomous Agents 进化的过程中，Memory（记忆） 是核心瓶颈，也是通往 AGI 的关键钥匙。

我们正在寻找对 Long-term Memory、Active Context Management 以及 Efficient Memory Architecture 有极高热情和深入理解的同学，加入我们探索下一代具备“更强记忆能力”的智能体。

在这里，你将拥有充足的 GPU 计算资源，与顶尖研究员合作，挑战 AI 领域最前沿的课题。

🎯 研究方向与职责

你将主要参与以下一个或多个方向的研究与落地：

1. Agent 主动上下文管理 (Active Context Management)

探索 Agent 在长周期交互中的信息筛选与压缩机制。

设计基于强化学习（RL）或规划（Planning）的策略，让 Agent 能够“主动”决定记住什么、遗忘什么，而非被动依赖滑动窗口。

研究 Dynamic Context Selection 和 Hierarchical Memory 系统，优化 Agent 在复杂任务中的上下文利用效率。

2. 模型记忆架构设计 (Model Memory Architecture)

突破 Transformer 的架构限制，设计新型的 Internal Memory 机制（如 Recurrent Memory, Memory Tokens, Linear Attention 变体等）。

研究 KV Cache 的高效管理与压缩算法，探索非参数化记忆（Non-parametric Memory）与模型参数的深度融合。

针对 Infinite Context 场景，优化模型的检索与推理性能。

💻 岗位要求

基础背景：计算机、人工智能、数学等相关专业，硕士或博士在读（博士优先）。

编程能力：熟练掌握 Python 和 PyTorch，具备优秀的工程实现能力，熟悉 HuggingFace Transformers 库。

科研能力：在 NLP / ML / RL 顶级会议（如 ACL, NeurIPS, ICLR, ICML, EMNLP 等）发表过论文者优先。

领域知识：

熟悉 LLM 的训练（Pre-training/SFT/RLHF）及推理机制。

对 RAG (Retrieval-Augmented Generation)、Long-context LLMs、Vector Database 或 Recurrent Neural Networks 有深入理解。

实习时长：全职实习 6 个月以上者优先。

地点： 北京 / 深圳 

请将简历发送至：eduoguo@tencent.com 邮件标题格式：【实习投递】姓名 - 学校 - 年级 - 最快入职时间 - 意向城市(北/深)