岗位职责
-负责基于 **VLM（Vision-Language Model）/多模态大模型的场景理解算法研发，面向复杂真实场景开展目标、属性、行为及场景语义等多层次理解能力建设 -负责 VLM 在场景理解任务中的模型方案调研、算法设计、训练优化与工程落地，包括但不限于视觉语言对齐、多模态理解等方向 -结合业务场景，探索 **VLM 与传统视觉感知模型融合，提升模型在复杂场景、长尾场景及开放世界场景下的泛化与推理能力 -负责多模态训练数据的自动化构建与数据闭环体系建设，包括数据挖掘、自动标注、数据清洗、难例发现、合成数据生成及数据质量评估等 -跟踪 VLM、多模态大模型及场景理解领域前沿技术，推动相关算法在实际业务中的验证、优化与落地。
职位要求
-计算机、电子信息、应用数学、自动化、人工智能等相关专业硕士及以上学历 -具备扎实的机器学习、深度学习基础，以及良好的数学基础、算法分析和问题解决能力 -熟练掌握 Python，具备 C++ 开发能力，熟悉 Linux 开发环境，具有良好的代码习惯和工程实现能力 -熟悉主流视觉及多模态模型架构，对 **Transformer、ViT、LLM、VLM 等模型的基本原理和训练方法有较深入理解 -熟悉至少一个或多个多模态相关方向，包括但不限于视觉语言对齐、多模态预训练、场景推理、视频理解**等 -具备 VLM/LLM 模型训练、微调或后训练经验者优先，包括但不限于 SFT、Preference Optimization、RL、多模态指令微调等 -具备视觉感知、3D 场景理解相关经验者优先 -具备大规模数据构建、自动标注、合成数据、数据飞轮或模型迭代闭环相关经验者优先 -在计算机视觉、多模态或机器人领域顶级会议/期刊，如 CVPR、ICCV、ECCV、NeurIPS、ICLR、ICRA、IROS、TPAMI 等发表论文者优先 -具有良好的沟通表达能力、团队协作意识和较强的工程落地能力
