字节跳动多模态算法工程师—抖音
任职要求
1、在多媒体和计算机视觉某个领域有较深入的研究，包括但不限于图像/视频/音频特征提取、分类识别、Re-Identification、无监督/自监督学习、压缩量化、近邻检索等； 2、熟悉至少一种主流深度学习编程框架（TensorFlow/PyTorch）； 3、熟悉深度学习算法（…
工作职责
建设抖音消重识别相关能力的基础架构和业务中台，主要工作： 1、分析业务需求，针对海量内容的重复/相似检测，提供视觉比对、表达学习、大规模索引等解决方案； 2、参与抖音、今日头条等产品中机器学习算法应用与优化，将视觉检索以及视频理解能力落地在推荐与广告中； 3、探索计算机多模态前沿技术，负责整体算法和系统的迭代和进化； 4、和工程团队密切配合，探索新算力架构下的新算法。
1.利用计算机视觉和人工智能技术，改进点评笔记、评价等多个点评创作产品的创作体验。 2.参与研发以计算机视觉和人工智能技术为核心的创新型内容玩法。 3.探索MLLM，LLM，VLM等相关算法前沿，应用于业务并解决实际业务问题。 4.负责对业务场景下相关技术问题进行分析、算法设计和上线，全面参与并推动各环节的高效运行，以实现持续的业务价值提升。 5.研究并开发智能Agent系统，优化用户与AI系统的交互体验。
1. 构建基于计算机视觉 + VLM/MLLM 的容器与商品语义理解体系，融合图像、点云与文本信息，提高复杂 SKU 识别与定位鲁棒性。 2. 设计检测/分割 + 3D 点云融合网络，实现多品混放场景的实例分割与 6D 抓取点预测。 3. 对 LLaVA、Qwen2-VL、InternVL2.5 等多模态大模型进行指令微调，支持机器人自然语言任务下达与动态规划。 4. 负责相机、雷达联合标定，多传感器融合（RGB-D + 点云 + 力矩传感器）。 5. 搭建自动标注与主动学习流水线，建设数据飞轮。 6. 关注行业最新多模态技术，快速验证并落地仓储场景。
1.负责垂直场景多模态大模型研发，包括图文、视频、音频等多个模态的预训练和SFT训练，探索合成数据在多模态训练上的应用； 2.负责大模型安全、内容治理、电商等多场景业务的内容理解，包括多模态表征、图文/视频意图理解、相同/相似判断、自动问答等； 3.负责跟踪和研究大模型前沿问题，并应用于解决实际的业务痛点。
1.负责垂直场景多模态大模型研发，包括图文、视频、音频等多个模态的预训练和SFT训练，探索合成数据在多模态训练上的应用； 2.负责大模型安全、内容治理、电商等多场景业务的内容理解，包括多模态表征、图文/视频意图理解、相同/相似判断、自动问答等； 3.负责跟踪和研究大模型前沿问题，并应用于解决实际的业务痛点。