The posting
1. 调研并整理音频智能、音视频多模态大模型、统一理解与生成模型等方向的前沿论文和开源项目,跟踪领域最新研究进展。 2. 复现典型音视频多模态模型及相关方法,完成模型环境搭建、基础实验运行、性能测试和结果分析。 3. 参与多模态数据处理工作,包括音频、视频、文本等数据的清洗、整理、标注和训练数据构建,为模型训练与评测提供支持。 4. 参与多模态理解与生成统一建模研究,探索语音、声音、音乐等不同音频模态在理解、生成和编辑任务中的统一表示方法。 5. 协助开展音频—视频跨模态建模实验,分析不同模态之间的信息交互机制,探索音视频通用智能模型的构建方法。 参与实验设计、结果分析和技术文档整理,参加课题组讨论并进行阶段性研究汇报。
1. 招募对象:本科生、硕士研究生。 2. 计算机、人工智能、电子信息、数学、统计学等相关专业背景优先。 3. 具备 Python 编程基础,了解机器学习、深度学习和大语言模型基本方法。 4. 对以下方向具有研究兴趣:多模态大模型(Multimodal LLM);音频理解与生成;语音、音乐智能;音视频跨模态学习;通用人工智能。 5. 能够阅读英文技术论文和相关资料,具备基础实验复现、数据处理和结果分析能力。 6. 有以下经历者优先:多模态模型、语音模型、音频生成模型相关项目;大模型微调、模型评测或开源项目复现经验;PyTorch、音频处理工具或深度学习框架使用经验。 7. 具备较强的学习能力和探索意识,能够主动跟进音频智能和多模态人工智能领域最新研究进展。 8. 对下一代音视频通用智能模型、统一多模态建模和人工智能基础模型研究具有持续兴趣,能够稳定投入科研时间。 9. 实习安排:线下科研实习;周期3–6个月;每周投入20–30小时。



