【B-UP】音视频理解工程师（校招）

AI 摘要智能生成

探索视频多模态大模型的前沿技术

职位描述

1.探索视频多模态大模型的前沿技术，负责数据建设、模型训练与评测框架搭建。 2.深入研究并实践视频多模态大模型的全套训练流程，包括pretraining、mid-training、SFT、RL、on-policy distillation等。 3.跟踪并复现主流的开源视频多模态模型，进行前沿论文的调研、复现与创新。 4.协助优化视频内容理解、dense video caption、视频生成/编辑中的用户意图理解等相关任务上的模型效果，持续提高算法的性能与效率。 工作要求: 面向2027届海内外本硕博毕业生（2026年9月-2027年8月期间毕业） 1.具备多模态大模型的相关知识，熟悉VLM、video VLM以及长视频内容理解，了解主流的开源模型。 2.熟悉VLM、video VLM的预训练、中训练、后训练等关键流程，具备数据处理、模型训练与评测的实践经验。 3.有大模型训练框架，如DeepSpeed、Megatron、Verl、Swift等的使用经验。 4.关注技术前沿，具备优秀的学习能力和自我驱动力。

任职要求

• 算法