岗位职责
探索下一代原生多模态基础模型：让模型不止于接入视觉能力，而是能够统一建模文本、图像、视频与交互过程，像理解文字一样理解视觉世界，并在真实物理场景中进行推理、生成和行动。我们将重点探索统一的多模态表征体系，包括离散视觉 token、连续视觉表征及其混合形式，使图像与视频能够被基础模型高效学习、组合和生成。 你将参与以下方向中的一个或多个：
- 研究多模态与文本模态的深度融合策略，包括 early fusion 架构设计、多模态 / 文本数据配比优化、多模态上下文建模等，实现视觉能力与语言能力的协同提升。
- 从互联网及业务场景中大规模挖掘、清洗和构建高质量多模态训练数据，覆盖图文交错、视频、网页、文档、GUI、代码和交互轨迹等数据形态，支撑模型在 browser use、复杂文档理解、vision-to-code 等生产力场景的能力突破。
- 设计兼顾理解、重建与生成的视觉表征体系，包括离散视觉 tokenizer、多尺度视觉 token、视频 tokenization 以及连续 / 离散混合表征；基于理解与生成统一的表征，规模化构建图文交错、视频序列等多模态自监督预训练数据，解锁新的多模态智能维度。
- 基于理解与生成统一的模型能力，探索长程、多轮的多模态生成与交互任务，通过端到端强化学习激发模型的自我评估和迭代修正能力；进一步探索未来帧预测、状态建模和交互轨迹学习在物理视觉世界中的推理、规划与行动能力。
- 团队在原生多模态方向有明确的非共识技术判断和持续投入，不是跟随式的能力补齐。
- 覆盖"数据→tokenizer→预训练→后训练"全链路，参与端到端的系统设计。
- 资源充沛，有大规模 GPU 集群支撑实验。
职位要求
- 熟悉 Python，熟练使用 PyTorch/Megatron/DeepSpeed 等训练框架，有大规模预训练或数据 pipeline 开发经验；
- 满足以下至少一项： · 有大规模多模态数据挖掘/清洗/质量控制的工程经验； · 对视觉表征设计、多模融合策略、生成范式等有深入理解，有从0到1探索新方向的经验。
