岗位描述
围绕研究院课题项目,开展面向视觉场景的前沿多模态大模型研究,重点参与科研实验和学术论文写作,推动研究成果形成可复现的实验结论与论文产出。 岗位职责 1. 跟踪相关场景的多模态大模型、视觉语言理解、知识增强及场景推理等方向的研究进展,如VideoRSI,VideoJev,梳理现有方法的局限,参与研究问题定义与技术方案设计; 2. 结合相关项目场景,参与高质量多模态数据的构建,构建实验数据集、评 测任务及评价指标; 3. 参与多模态大模型的SFT、PEFT、RL训练与推理实验,复现代表性方法,探索提升模型场景理解、知识利用与推理能力的有效方案; 4. 参与顶会论文撰写与投稿; 1. 计算机、人工智能、自动化等相关专业在校硕博生,具有扎实研究与实践能力的本科生亦可; 2. 对多模态大模型研究有持续兴趣,做事认真、沟通主动,能够稳定投入时间,持续推进实验与论文工作; 3. 具备良好的深度学习基础,理解 ViT、Qwen-VLM相关原理,具备一定的大模型相关训练与推理经验; 4. 具备良好的英文文献阅读能力和技术写作能力,能够清晰表达研究动机、方法设计与实验结论; 5. 加分项: (1)有多模态大模型微调或评测经验; (2)有视觉问答、视频理解、评测基准构建经验; (3)在顶级会议/期刊(NeurIPS、ICML、AAAI、EMNLP、IEEE)发表过论文,有开源项目或完整科研项目经历; 实习期 >= 4个月,每周>=4天,能全勤实习6个月者优先; 职位类别: 实习生招聘