岗位职责
- 视频理解数据与算法建设：参与视频多模态大模型相关的数据建设与算法优化，围绕视频内容理解、时序事件识别、动作/场景/人物关系建模、视频字幕与语音信息融合等任务，协助构建高质量视频理解数据集，为 Keye 视频基础能力及下游业务效果提升提供数据与算法支撑；
- 视频 Agent 能力建设：围绕视频场景下的智能 Agent 能力，参与复杂视频任务的拆解与数据构建，包括视频问答、长视频推理、多轮交互、工具调用、视频内容检索、视频剪辑规划、视频分析报告生成等方向，探索如何让模型基于视频内容进行更准确的理解、规划与决策；
- 视频数据 Pipeline 与评测体系建设：参与视频数据的采集、筛选、标注、质检、清洗与评估流程建设，协助优化视频理解任务中的数据标准与评测方法，针对真实业务反馈，分析模型在时间理解、因果推理、细粒度视觉识别、音画对齐、多模态语义一致性等方面的问题，推动数据驱动的模型迭代；
- 前沿技术调研与实验复现：跟踪视频理解、多模态大模型、Video Agent、Video2Code、视频长上下文建模等方向的前沿论文和开源项目，参与技术调研、实验复现、Benchmark 构建与效果分析，将前沿方法应用到实际业务问题中。
职位要求
- 计算机、人工智能、软件工程、自动化、电子信息等相关专业在读本科、硕士或博士，具备计算机视觉、自然语言处理、多模态学习、视频理解等相关经验者优先；
- 熟悉深度学习基础，了解 Transformer、多模态大模型、视觉语言模型、视频理解模型等相关技术，对视频分类、视频问答、时序定位、动作识别、OCR、ASR、视觉内容理解、RAG 或 Agent 方向有实践经验者优先；
- 熟练使用 Python，熟悉 PyTorch 或其他深度学习框架，具备良好的代码实现与调试能力，了解数据处理、模型训练、推理部署、API 调用、Prompt 构建、自动化评测等流程者优先；
- 具备较强的数据敏感度，能够从模型 badcase、业务反馈或评测结果中分析问题，设计数据改进方案，熟悉大规模数据处理、视频数据清洗、标注规范设计、质量评估或可视化分析工具者优先。 加分项，有以下经验者优先：
- 视频理解、多模态大模型、Agent、Video2Code 相关论文复现或项目经验；
- 参与过高质量开源项目、顶会论文、竞赛获奖或实习项目；
- 熟悉 FFmpeg、OpenCV、Whisper、OCR、向量检索、vLLM、TensorRT 等工具或框架。
