医疗多模态智能体研究-阿里星

1、负责基于视觉基础大模型和多模态智能体技术的心血管疾病诊断智能体与病理诊断智能体的全流程研发，涵盖视觉基础模型预训练与适配、多模态感知与融合、Agent架构设计（规划/推理/记忆/工具调用/反思）、强化学习策略优化及临床试点验证，构建从感知到决策的完整智能体研发闭环。 2、设计并实现面向医学影像（心血管影像、病理全切片图像等）的视觉基础大模型微调与适配方案，结合可微提示工程、领域自适应等技术，提升基础模型在医学专科场景的表征能力与迁移效果。 3、主导多模态智能体系统的架构设计与核心模块开发，实现结构化数据（实验室检验、生化指标）、非结构化数据（影像、病理切片、临床文本）的统一感知、动态融合与自主推理决策。 4、探索并落地强化学习在智能体训练中的应用，设计面向医疗决策场景的奖励模型与反馈机制，持续优化Agent的诊断准确率、推理鲁棒性与临床实用性。 5、与工程和产品团队紧密协作，推动智能体系统在真实临床场景中的集成部署与商业转化，包括PACS/LIS系统对接、临床工作流嵌入及多中心验证。 6、每年发表1-2篇高质量技术或综合性论文，提升团队在视觉基础模型、医学智能体等前沿方向的技术影响力和行业竞争力。 【任职要求】 1、计算机科学、数学、电子工程、生物医学工程等相关专业硕士或博士，具备扎实的理论基础和良好的科研素养。 2、精通视觉基础大模型的训练、微调与部署，在视觉表征学习、自监督预训练及领域适配方面有深入理解和丰富实践经验。 3、精通多模态大模型技术，熟悉视觉-语言对齐、指令微调、多模态推理及多模态CoT等核心技术栈。 4、具备智能体系统研发经验，熟悉主流Agent框架的设计范式（如规划-执行-反思、ReAct、Tool-use等），掌握Planner、Memory、Tool-calling、Critic等核心模块的设计与工程实现。 5、熟悉强化学习（RL/RLHF/DPO/PPO）及其在大模型与智能体训练中的应用，具备奖励函数设计、策略优化及离线强化学习的实践经验。 6、在计算机视觉、医学影像或AI Agent相关顶会/顶刊（CVPR、ICCV、NeurIPS、ICML、TMI、TPAMI、Nature Medicine等）有多篇高质量论文发表经历。 7、具备良好的逻辑思维和问题解决能力，抗压能力强，具有良好的团队合作意识和沟通能力，能快速适应新技术和挑战。 加分项 有医疗AI产品落地经验或病理AI系统研发经历者优先。 有开源项目贡献或Agent框架/SDK开发经验者优先。 熟悉RAG、思维链（CoT）、ReAct、多Agent协作等前沿技术者优先。