混元视频感知与理解算法研究员（北京/上海）(深圳)

Job description

主导视频能力建设

• 负责多模态大语言模型（VLM）的视频感知与理解能力研发，围绕视频数据、训练方法与评测体系开展系统性建设，持续提升模型对动态视觉世界的理解能力与能力上限；

攻坚视频基础理解

• 聚焦视频中的时序、运动、事件、行为及空间关系等核心能力，提升模型对复杂动态场景、细粒度视觉信息及长程上下文的感知和理解能力；

提升复杂视频推理

• 探索面向视频场景的多步推理、时空推理、因果推理及组合推理能力，研究视频信息与大语言模型推理能力的深度融合，提升模型解决复杂视频任务的泛化能力；

建设视频评测与数据飞轮

• 建立系统化的视频能力评测体系，持续分析模型能力边界与核心 Badcase，形成“评测—数据—训练—验证”的研发闭环，驱动模型能力持续迭代；

推进视频全流程研发

• 负责视频方向的 预训练、中训练、后训练的数据生产，开展SFT、强化学习等后训练算法研发，建设高质量视频训练数据及自动化数据生产流程，探索更高效的视频能力学习与对齐方法。 Requirements
• 计算机视觉、人工智能、机器学习等相关方向硕士及以上学历，具备扎实的深度学习基础；
• 在视频理解、多模态大模型、视觉语言模型或相关方向具有研究或研发经验；
• 熟悉 Transformer、LLM、VLM 等模型架构，对多模态模型训练及后训练方法有较深入理解；
• 具备较强的算法研究、实验分析与工程实现能力，能够独立推动研究问题从定义到落地；
• 对多模态基础模型及视频智能方向有强烈兴趣，具备持续探索前沿问题的研究热情。