字节跳动视觉多模态应用算法（视频通话方向）实习生-Seed
任职要求
1、2027届硕士及以上学位在读，人工智能、计算机、自动化、数学等相关专业优先； 2、有视频大模型训练、智能硬件相关研究经验者优先，在学术会…
工作职责
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。 Seed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户。第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。 1、参与视频通话模型Post-training的优化和研发，包括通话长多轮对话体验的优化、视觉感知能力、联网搜索能力、记忆、Agent调用能力等； 2、研发视频通话的新特性，包括主动响应、音视频双工等特性； 3、参与智能硬件相关能力的优化，提升端到端用户体验； 4、探索各种前沿创新性技术，并转化为应用侧效果。
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。
1.参与微信电商多模态大模型、音视频全模态大模型的建设； 2.持续跟进业界最新的多模态大模型算法，参与多模态大模型的设计、训练、调优及评测等； 3.推进多模态大模型在微信电商内容理解、短视频和音乐内容理解场景中的落地应用。
1.岗位的主要工作内容为跟踪领域前沿研究，将研究成果投稿到机器学习/计算机视觉顶会顶刊。 2.参与多模态大模型（VLM/VLA）的研发与优化，探索图像、文本、语音等跨模态信息的融合方法，以及在自动驾驶领域的应用。 3.研究并实现前沿的技术（如WorldModel,DiffusionModel等），推动项目落地。