The posting
1. 视觉多模态基座模型研发:参与构建具备原生视频感知与推理能力的下一代多模态基座模型,深度参与到其中某个具体方向的研发中。 2. 训练数据构建与合成:围绕视觉感知、空间与时序理解、OCR、视觉推理等核心能力,参与高质量训练数据的构建、合成与清洗,分析数据质量对模型能力的影响。 3. 训练与消融实验:参与预训练 / 后训练实验的执行与管理,通过系统的消融实验研究数据配比与训练策略,定位并补齐模型短板。 4. 后训练与对齐:参与强化学习等后训练方法的探索,以及奖励与偏好数据的设计,降低幻觉、提升模型推理与交互的准确性与鲁棒性。 5. 实时 / 流式视频理解:参与流式、因果、可在线感知与主动交互的视频理解探索——这是我们区别于多数「离线」视频理解工作的特色方向。
1. 基本条件:计算机、人工智能或数学等相关专业在读学生(硕士 / 博士在读优先,能力突出的本科生亦欢迎);每周到岗 4 天及以上,连续实习 6 个月以上,可尽快到岗者优先。 2. 工程基础:数据结构与算法基础扎实,熟练使用 Python 与 PyTorch,写过能跑、能读、能复现的训练代码;具备良好的代码风格。 3. 机器学习基础:理解深度学习与计算机视觉的基本原理,了解主流 VLM 架构(ViT 视觉编码 + LLM);对 CLIP / LLaVA / Qwen-VL 一脉的多模态范式有初步认知者优先。 4. 动手与学习能力:有过任意一段完整的动手经历(课程项目、科研、竞赛、开源复现均可),能独立查文献、定位问题、动手验证;遇到不懂的东西愿意也能够快速学会。
加分项 1. 竞赛获奖:ACM/ICPC、NOI/IOI 获奖者,或在 Kaggle、CVPR / ICCV / ECCV / ACL Challenge 等竞赛中取得名次。 2. 科研经历:在视觉 / 多模态 / NLP 方向有科研经历,发表过论文或有在投工作。 3. 实战经验:复现或训练过 VLM / LLM 相关模型,接触过大规模数据处理或分布式训练;有高质量的开源项目。 4. 前沿热情:持续关注流式 / 在线感知、视觉推理、Agentic、World Model 等前沿方向,读论文、跑代码是日常习惯。
你将获得 1. 真实的基座模型训练经历:充足的算力与数据资源,直接参与下一代视觉多模态基座模型的研发,做有署名、有产出的核心工作。 2. 一线研究员一对一带教:与有基座模型实战经验的 mentor 并肩工作,建立「数据—训练—评测」的完整方法论。 3. 论文与开源机会:表现出色的实习成果有机会沉淀为顶会论文或开源项目,mentor 会全程支持。 4. 留用通道:表现优秀者可获得转正 / 校招绿色通道,优先成长为正式团队成员。



