【团队介绍】
We're introducing GLM-5.2, our latest flagship model for long-horizon tasks. It marks a substantial leap in long-horizon task capability over its predecessor GLM-5.1 and, for the first time, delivers that capability on a solid 1M-token context. GLM-5.2's new capabilities include:
Solid 1M Context: A solid 1M-token context that stably sustains long-horizon work
Advanced Coding with Flexible Effort: Stronger coding capabilities with multiple thinking effort levels to balance performance and latency
Improved Architecture: We propose IndexShare, which reuses the same indexer across every four sparse attention layers, reducing per-token FLOPs by 2.9× at a 1M context length. We also improve GLM-5.2’s MTP layer for speculative decoding, increasing the acceptance length by up to 20%
Pure Open: An MIT open-source license — no regional limits, technical access without borders
【工作职责】
Agent 长程任务能力研究： 面向 Deep Research、Code Agent、Web Agent、软件工程、多工具调用等场景，研究模型在 long-horizon tasks 中的任务分解、阶段规划、子目标管理，提升复杂任务完成率与鲁棒性。
基于强化学习的 Agent 能力提升： 研究适用于 Agent 场景的强化学习方法，包括但不限于 rollout scaling、在线/离线 RL、过程奖励建模、探索策略优化、信用分配、轨迹筛选与策略迭代，提升模型在开放环境中的自主决策与持续改进能力。
Agent 训练数据与环境构建： 围绕代码、搜索、工具使用、软件工程等方向，构建和优化适用于 Agent/RL 训练的数据、任务环境；设计高质量轨迹合成、过程监督与自动化反馈机制，提升训练信号密度与多样性。
合成数据构造与优化：针对特定能力领域（代码、通用agent等）进行数据构造、筛选和优化；设计数据合成策略，控制对齐数据的质量和多样性
【职位要求】
计算机、电子、自动化等相关专业硕士或博士学位（优秀本科生亦可考虑）
深入理解常用的大模型算法；有相关方向业界实习经验者优先
在CCF-A类会议发表过相关论文者优先考虑
熟练运用Pytorch、transformers、megatron等主流框架
工作态度认真负责，具备良好的团队协作能力
【加分项】
参与过影响力较大开源项目
在ACL，NeurIPS，ICLR，EMNLP，ICML等顶级会议或期刊上发表过论文者优先；
熟悉并行训练框架，有多机多卡训练经验者优先。
立即投递
