[北京]清华大学NLP实验室

职位：博士后研究员
发布时间：2026-01-26
工作地点：北京
信息来源：高校人才网
职位类型：全职
专业标签：计算机 设计学
职位描述
清华大学NLP实验室2026年招聘博士后研究员

共计 1 个岗位，招 若干 人

发布时间：2026-01-26 | 截止时间：2026-03-01 | 北京

分享



微信扫一扫

分享给你的朋友吧

收藏

公告热度
单位主页



清华大学NLP实验室2026年招聘博士后研究员

招若干人，共计1个岗位

分享



微信扫一扫

分享给你的朋友吧

收藏

公告热度

单位主页

清华大学自然语言处理与社会人文计算实验室（THUNLP）现依托清华实验室平台、国家实验室平台、孵化企业招募博士后。研究方向包括基础模型架构和学习方法、多模态智能、具身智能、智能体、群体智能、知识增强、科学智能、长文本与代码智能、高性能基础设施、可信大模型、大模型数据科学、AI X。如果你对大模型前沿技术充满好奇心，对推进技术落地满怀热情，希望投身到AGI实现的事业中来，欢迎加入我们！我们将提供具有竞争力的薪酬和福利、良好的工作环境和发展机会以及多平台联动的广阔空间。

一、应聘方式

合作导师：刘知远教授

本期报名截止时间：2026年3月1日

报名邮箱地址：lymthu@

邮件主题：应聘博士后 姓名 专业 学校 应聘研究方向 ；【快捷投递：点击下方 立即投递/投递简历 ，即刻进行职位报名】

邮件中应包含：

（1）应聘申请，包括本人意愿、工作设想、预期目标；

（2）本人简历（个人履历应包含第一学历至今，附近照）；

（3）充分反映本人学术水平的有关材料，包括发表论文及收录情况、获奖情况、主要负责和参与课题情况等。

更多信息请访问实验室主页

nl***.cn[点击查看]

二、招募要求

关键要求：

1.博士学位，计算机科学与技术专业背景者优先考虑；

2.具备人工智能相关基础理论、模型与算法等研究经验，熟练掌握当前机器学习、深度学习、强化学习等领域的技术，对相关领域有浓厚的研究兴趣，并有相关的优秀论文、专利、科技研究报告等成果；

3.在人工智能或AI X相关领域发表过高水平学术论文或具有代表性成果，有ACL、EMNLP、NeurIPS、ICML、ICLR、AAAI、AI X相关的顶级会议论文发表者优先考虑。

三、福利待遇

你将收获：

博士后薪资、保险等按照国家和清华大学博士后管理办法执行，外加实验室绩效奖励；

优秀人才推荐申请各类博士后支持计划，包括博士后创新人才支持计划、清华大学 水木学者 计划、博士后科学基金项目、博士后国(境)外交流项目等。具体信息请查询清华大学博士后官网。

更多信息请访问清华大学博士后官网

po***.cn[点击查看]

四、研究方向

（一）基础模型架构和学习方法

1.高效模型架构：剖析当前大语言模型的效率瓶颈，设计硬件友好的大模型架构，包括高效长文本模型、非自回归生成模型、稀疏模块化模型等。

2.强化学习基础机理分析：剖析大语言模型驱动的强化学习训练动力学，揭示其内在学习机制。通过系统性地分析模型在训练过程中的变化，构建一套科学的强化学习设计与优化理论。

3.高效强化学习算法探索：设计与开发第一梯队的高效强化学习算法，以应对日益复杂的真实世界问题，并降低大模型强化学习的训练成本。

4.强化学习Scaling探索：系统性探究当前制约强化学习模型与应用Scaling的核心瓶颈。从数据、算法及训练范式等多个维度出发，探索并构建强化学习Scaling策略。

（二）多模态智能

1.通用多模态基础大模型构建，包括新一代多模态基础模型架构、多模态实时流式模型架构、统一多模态模型架构等。

2.多模态大模型的感知基础构建，包括高清图建模、长视频建模、语音编解码架构等。

3.多模态强化学习，包括多模态强化学习的高效性、拓展性、普适性等，实现多模态大模型的深度思考。

（三）具身智能

1.通用具身基础大模型：构建通用泛化的具身大模型，研究内容包括具身大模型的模型架构、数据构造及治理、学习方法等。

2.垂直领域具身模型：探索面向无人机的具身智能算法，包括无人机场景下的环境感知认知推理、基于多模态大模型的自主导航规划等。

（四）智能体

1.智能体长程任务解决能力构建：旨在提升智能体在复杂任务中的长程思维能力，涵盖多步推理、任务规划与目标分解等关键能力，以支持其在动态环境中的持续决策与执行。

2.智能体自主性提升：聚焦于增强智能体的自主决策能力，具体包括用户意图的主动识别与理解、环境状态的高精度感知以及行为后果的预测建模，进而实现智能体对任务流程的自主掌控。

3.智能体可泛化能力学习：致力于突破现有智能体对特定任务或场景的依赖限制，构建具备跨任务迁移、跨场景适应与扩展的通用能力泛化范式，以支持广泛适用的智能体系统构建。

（五）群体智能

1.构建能够协同工作的多智能体系统。通过在多个智能体间建立有效的通信和协作机制，能够解决单个智能体难以应对的问题，提高问题解决的效率，并找到更为优秀的解决方案。

2.研究多智能体团队中可能出现的群体现象，努力探究如何优化智能体间的通信效率，以及如何动态调整每个智能体在完成任务中的分工，从而实现高效的多智能体协作。

3.探索多智能体系统在现实世界中的广泛应用，以及潜在的未来发展路径。

（六）知识增强

1.多级知识记忆研究，包括基于模型能力的多级知识库构建，模型推理过程中的多轮知识获取、整理与利用等。

2.知识路由方法研究，包括面向多源信息的知识获取路径优化，针对特定知识库的查询优化方法等。

3.知识密集推理研究，包括知识密集场景下的训练沙盒构建，知识密集场景下的像话学习方法研究等。

（七）科学智能

1.科学基座模型构建研究：针对生医、化工、数理等领域的不同特点，调整大模型架构与训练方法，以实现其深入科学认知能力的培养。

2.学科智能系统搭建：通过整合智能体、知识库与专业工具等，提升材料设计等过程的智能程度，实现人机闭环中的持续学习进化。

3.可信决策推理方法：利用知识有效约束模型生成过程，提升决策可靠性与可解释性；培养知识抽象能力，探索基于大模型的自主科学创新。

（八）长文本与代码智能

1.面向长序列的推理算法，包括长序列分治处理、Long-to-Short、长序列归纳推理等。

2.面向长序列的典型应用，包括DeepResearch等海量信息智能化处理系统等。

3.面向代码模型的高效训练算法，包括训练数据合成、训练策略优化等。

4.面向代码模型的典型应用，包括软件工程、智能体、算子开发等。

（九）高性能基础设施

1.端侧高效推理系统：专注于在资源受限的边缘设备（如手机、PC设备）上实现大模型的低延迟、低功耗系统级的推理优化，降低AI的落地门槛。

2.高效算子实现：针对CPU、GPU等不同硬件平台，深度优化神经网络的核心计算单元（算子），包括不限于稀疏、低位宽和Diffusion实现，压榨硬件极致性能，为上层模型提供强大的计算加速能力。

3.大规模模型训练与强化学习系统：构建稳定、可扩展的分布式系统，支持千亿级别参数稀疏模型的并行训练，并为复杂的强化学习任务提供高效的系统级解决方案。

4.极低位宽模型量化技术：探索前沿的模型量化方法，将模型参数压缩至极低位宽，在最小化精度损失的前提下，极大降低模型的存储和计算成本。

（十）可信大模型

1.风险评测：面向大模型存在的幻觉、合法性不足、价值观偏见等严峻挑战，建立面向合事实、合法、合价值等目标评测基准，揭示模型的可信边界与潜在风险；

2.模型机理：剖析导致大模型产生幻觉、违反法律与规范等不可信行为的原因与机理，理解模型不可信表现的机理；

3.可信对齐：研究创新对齐算法，在保证模型通用能力同时，从算法层面内生性提升模型的可信赖性与负责任性；

4.社会影响：研究大模型技术所引发的社会层面的潜在风险，包括对个人与信息环境等，打造可信大模型社会应用；

（十一）大模型数据科学

1.科学数据质量验证方法，基于大模型风洞技术自动化验证数据清洗、筛选、合成、组织的最终质量；

2.高效数据打标与筛选，研发高效数据标签模型体系，实现高效领域数据筛选

3.高质量数据合成，探索高效与自动化的方式进行预训练、对齐阶段的高质量数据合成，提升模型效果。

（十二）AI X

1.AI 传播：大模型作为智能信息生产主体的伦理与安全特性，及其对信息行为以及信息环境产生的影响；人工智能赋能传播应用创新；人工智能技术的传播与公众对人工智能技术的认知。

2.AI 古文字：使用计算科学的方法与技术（尤其是人工智能）来加速及增进古文字学研究；通过古文字大模型与智能科研平台，实现古文字科研全过程智能化。

3.AI 教育：基于大模型多模态、多智能体技术构建下一代自适应教学/训练/研究系统；使用智能体等先进研究方法，完成教育创新研究。

4.AI 法律：基于博弈论和强化学习的法律多智能体系统；法律推理的计算化建模；法律场景RAG技术的研究和应用；法律智能现实应用中的伦理问题。

5.AI 安全：探索前沿人工智能模型的机制可解释性；研究人工智能内生安全的可靠可推广量化评测方法、安全对齐方法；借鉴免疫等机制，研究对攻击的自动化防护方法；人工智能在社会应用中的安全治理问题。

更多最新博士后招收资讯请关注：

【高才博士后】网站 bo***com[点击查看]

公告热度

解锁详细分析

该公告在同类公告中的热度为 ***，目前已有 *** 对其非常感兴趣