岗位职责
- 多模态大模型的视频理解应用：基于主流多模态大模型，通过微调、后训练与模型适配，解决视频内容理解、长视频结构化、视频问答、时序定位及复杂事件推理等问题，推动模型能力落地。
- 跨模态融合理解：融合音频（语音/音效/说话人）、文本（字幕、ASR 转写、OCR、元数据）等多源信息，设计跨模态对齐与融合方案，提升复杂场景下的理解效果与鲁棒性。
- 模型效率与部署成本优化：面向长视频推理成本问题，通过蒸馏、剪枝、量化、视觉 token 压缩及推理引擎优化降低资源开销，探索跨帧特征复用、Tracking 辅助推理等效率方案。
- 数据与评测体系：构建高质量多模态指令与评测数据（视觉-音频-文本对齐），搭建覆盖多任务的数据清洗、标注与评测 pipeline，支撑模型效果迭代。
- 技术前瞻与创新落地：持续跟踪 Video-LLM 与多模态大模型前沿进展，研判关键技术演进方向，推动前沿技术的引入、适配与创新，实现其在视频理解场景中的业务价值转化。
职位要求
- 计算机、人工智能、电子信息、数学等相关专业，硕士及以上学历，具备 3 年以上视频/多模态算法研发经验。
- 具备扎实的深度学习与计算机视觉基础，熟练使用 Python 与 PyTorch；理解多模态大模型原理，具有模型微调及 SFT、DPO/GRPO 等后训练实践，能用于解决视频理解问题。
- 具备完整的项目经验，能独立完成从需求分析、方案设计、算法研发到上线交付的全流程；具备较强的问题分析能力，能在效果、性能、开发成本与业务收益之间合理取舍。
- 具备良好的沟通协作能力，能与业务、产品及工程团队进行技术沟通和项目推进。 加分项
- 有音视频-文本跨模态融合、长视频/长上下文建模的研究或落地经验。
- 有较强工程与系统落地能力：对 TensorRT、ONNX Runtime、CUDA、算子优化、混合精度或端侧/资源受限部署有实际经验，或有大规模视频理解/搜索/处理系统、视频理解 Agent 的落地经验。
- 在 CVPR、ICCV、ECCV、ACM MM、NeurIPS、ICML、ICLR、TIP 等顶会或顶刊发表过论文，或在开源社区有较大影响力。
- 有独立负责技术方向、带领小型项目或指导初级算法工程师及实习生的经验。
