腾讯视觉多模态理解与生成大模型算法研究员
任职要求
1.计算机科学、人工智能、计算机视觉、机器学习或相关领域的硕士或博士学位； 2.具备相关领域研究经验，熟悉主流技术，如在顶级会议或期刊发表过相关论文； 3.熟悉有关领域主流开源工具和框架，有匹配研究需要的工程能力； 4.具备良好的跨研究领域团队合作精神、沟通能力、好奇心以及目标驱动、解决问题的能力。
工作职责
1.作为视觉领域的专家，与其它模态研究者共同参与创新的原生多模态大模型研究，包括创新模型架构、“2D+时间”和“3D+时间”大模型建模等； 2.探索对真实物理世界进行理解和生成、多模态推理及自进化持续学习的大模型； 3.关注学术界和行业最新研究动态，参与国际会议、研讨会，与全球顶级团队交流合作； 4.将研究成果向社区发布或技术转移至内部产品部门。
1.作为视觉领域的专家，与其它模态研究者共同参与创新的原生多模态大模型研究，包括创新模型架构、“2D+时间”和“3D+时间”大模型建模等； 2.探索对真实物理世界进行理解和生成、多模态推理及自进化持续学习的大模型； 3.关注学术界和行业最新研究动态，参与国际会议、研讨会，与全球顶级团队交流合作； 4.将研究成果向社区发布或技术转移至内部产品部门。
通义千问（Qwen）是由通义实验室自主研发的超大规模语言模型，具备多模态、多语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从亿级到万亿级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder、Qwen-Image等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。 若你对以下一个或者多个方向感兴趣均欢迎投递： 1）多模态基础模型的研发，包括融合视觉语言的跨模态理解模型设计，提升视觉基础模型在图像/视频中的视觉知识、空间感知、Omni Parsing 等核心能力，并同时优化多模态大模型的AI infra。 2）通过强化学习（RL）持续提升多模态模型推理能力和执行任务能力，构建支持网络世界（PC/Mobile/Web/游戏）交互的通用智能体，将相关能力拓展到GUI agent，VLA，以及具身智能场景中。 3）研究理解与生成统一的模型架构，实现跨模态生成与推理的协同优化。 工作职责： 1. 多模态 pre-training：开展研究及进行实验，研究内容包括：数据清洗筛选、数据配比优化、课程学习、视觉语言模型结构设计与优化、训练策略优化、预训练数据合成、scaling law 预测、词表优化、模型蒸馏与压缩、长上下文能力优化等。 2. 多模态 post-training：迭代 post-training 训练策略（SFT/RLHF），专项能力数据迭代，参与模型能力评测及评测数据和评估标准的迭代。 3. 多模态推理和通用 agent：通过强化学习（RL）持续提升多模态模型推理能力和执行任务能力，打造多模态的 test scaling laws，并推动模型对网络和虚拟世界的交互和任务完成能力。 4. 统一理解生成：构建视觉统一理解生成大模型，推进多模态统一生成与理解的推理和交互新范式。
1. 参与视觉生成与编辑相关的大模型算法研发，探索领域前沿，持续创新，打造有影响力的高水平技术，并解决算法应用遇到的挑战问题，包括主体一致性、语义一致性、画质效果、重点场景效果优化、性能与效果平衡、可控生成等 2. 探索多模态理解与生成统一的大模型技术 【课题名称】 视觉生成大模型研究与应用 【课题内容】 研究图像或视频生成与编辑大模型相关技术，优化生成效果及可控性，平衡效率与效果，探索前沿的视觉生成技术方案等。
1. 参与视觉生成与编辑相关的大模型算法研发，探索领域前沿，持续创新，打造有影响力的高水平技术，并解决算法应用遇到的挑战问题，包括主体一致性、语义一致性、画质效果、重点场景效果优化、性能与效果平衡、可控生成等； 2. 探索多模态理解与生成统一的大模型技术。 【课题名称】 视觉生成大模型研究与应用 【课题内容】 研究图像或视频生成与编辑大模型相关技术，优化生成效果及可控性，平衡效率与效果，探索前沿的视觉生成技术方案等。