多模态大模型算法工程师

该职位来源于猎聘

开发、改造并基准评测视觉语言模型（VLM），用于细粒度图像/视频理解、密集描述生成（dense captioning）以及结构化视觉属性抽取。

• 为多模态基础模型构建领域专属评测基准与幻觉检测套件。
• 推动多模态数据策展、提示工程（prompt engineering）以及 LLM/VLM 蒸馏管线。 必备技术资质：
• 计算机科学、电子工程、计算语言学或相关领域的硕士或博士学位（ 985 高校 / 海外一流院校）。
• 精通当代 VLM 架构（如 LLaVA、CLIP、Qwen-VL、InternVL）、视觉 tokenizer 及对齐技术。
• 具备经实践验证的 Python 与 PyTorch 实现能力；深入理解 Transformer 内部机制与注意力机制。
• 具备图像/视频描述生成、视觉推理或多模态问答系统的实际经验。 优先经验：
• 具备多帧视频理解、时序建模或长上下文视觉表征的经验。
• 具备模型量化、蒸馏或端侧模型部署约束的相关经验。