多模态理解（数据/算法）研究员

【团队使命】

AGI 绝不会止步于文本，迈向 AGI 的关键一环，在于让模型拥有理解物理世界的能力。我们的使命，是为 AI 注入“看懂并理解世界”的多模态灵魂，让模型在面对复杂的真实世界时，依然能展现出精准的感知与推理能力。在这里，你将会挑战多模态领域的本质难题：处理海量且充满噪声的多模态数据，设计底层的高效原生模型架构，探索大规模训练策略，建立反映真实需求的评测基准。跨越数据、架构、训练与评测的全链路，让多模态成为解决现实挑战的核心生产力。

【岗位类别】：实习/全职

【工作方向】

覆盖多模态理解基座模型全链路，包含：视觉编码器优化 / 多模态预训练 / 多模态后训练 / 评测体系建设（候选人可选其中1个或多个方向）。

【工作职责】

1.负责多模态基座模型的迭代。探索视觉编码器和 VLM 的结构、训练策略和评测方式，针对多模态场景持续验证和迭代预训练与后训练（SFT / RL / OPD）算法。

2.负责多模态理解数据体系构建。定义图文/视频数据集的采集方式、质量标准和筛选方法，多部门协作建设大规模自动化清洗、质量筛选与数据合成管线，从数据侧提高模型表现。

3.针对通用问答、文档/图表解析、多模态推理等基础多模态场景，进行针对性的数据收集、模型训练和精细化调优。

4.推动 GUI、白领办公、多模态搜索等场景的多模态 Agent 核心能力建设与落地。

5.搭建面向“用户真实体验”的多维度多模态评测体系。从定义评测维度、收集真实数据、数据标注到模型反馈，定位模型短板，指引模型迭代。

【核心要求】（满足其一即可）：

1.深入理解主流视觉编码器（如 CLIP, SigLIP 等）的模型结构，熟悉其训练与评测方法。

2.熟悉主流多模态模型的架构，具备大规模多模态预训练或后训练（SFT/RL/OPD）实战经验。

3.具备极强的数据直觉，有大规模图文/视频数据清洗、质量标注及数据合成的实战经验。具备一定的工程代码能力。

4.主导和交付过多模态某个垂直领域（包括但不限于 OCR、Image Caption、空间理解、通用 QA、用户意图理解或 Agent 场景）的模型训练与数据迭代。

5.深入研究过多模态模型评测体系建设，不满足于依赖公开榜单，有独立设计人工评测或自动评测流程的经历。

6.即使没有上述特定经验，只要基础特别扎实、代码能力极强、对多模态有极致渴望，我们也欢迎。

【加分项】

1.有行业影响力的高引论文或知名项目贡献。

2.对模型自身真实能力的提升有极致追求，反感且不愿意通过“刷榜”来换取指标的虚假繁荣。

3.对多模态模型的技术发展趋势和应用场景有深刻洞察。