商汤26届AI领航员-研究院-多模态大模型算法工程师
任职要求
1. 硕士及以上学历，计算机科学、人工智能、自动化、数学等相关专业； 2. 扎实的机器学习、深度学习基础，熟悉Transformer、OCR、信息抽取、多模态预训练等方向； 3. 熟练掌握Python，具备C++/CUDA/分布式训练经验者优先； 4. 具备良好的算法设计与工程实现能力，能独立推动从问题定义到方案落地的完整流程； 5. 在文档解析、多模态、NLP、CV或大模型相关领域有项目/论文/竞赛/开源成果者优先； 6. 具有创新精神和自我驱动力，能够在复杂问题中提出独立见解并推动创新落地。
工作职责
1. 参与文档解析多模态大模型的研发，包括预训练、微调、指令对齐和推理优化； 2. 设计并实现高效的训练与推理系统，解决大规模文档数据处理、算力利用与模型优化问题； 3. 针对复杂文档场景，探索文本、版面（layout）、表格、公式、印章等多模态元素的解析方法； 4. 构建并优化文档解析全流程，包括数据预处理、模型训练、评测指标与工程化部署； 5. 结合业务需求，提出创新性方案并推动落地，形成可复现、可扩展的工程化体系。
1. 参与文档解析多模态大模型的研发和迭代，研发高效的强化学习训练与推理系统，解决大规模图文数据处理、算力利用及模型优化问题； 2. 设计并实现适用于多模态大模型的奖励机制，涵盖图文对齐、复杂推理、OCR/文档解析、表格理解、视觉问答、Agent 操作等多模态任务，探索创新性强化学习算法与多模态对齐方法； 3. 构建并优化多模态强化学习流程，包括数据生成、奖励模型训练、策略优化（如 PPO / DPO / GRPO 等）、模型评测与部署，实现模型能力的精准量化与持续优化； 4. 结合业务需求提出创新方案，推动 RL 优化后的多模态大模型在办公自动化、教育、金融等领域落地应用。
前沿追踪与洞察： 紧跟NeurIPS, ICML, ICLR, CVPR等顶会的最新研究，快速消化、复现并提出独到的见解。 思想的碰撞与具象化： 参与团队Brainstorming，大胆提出你关于下一代模型架构的创新想法，并与团队成员一起论证其可行性。 核心代码实现： 使用PyTorch等框架，设计并实现新颖的多模态模型模块或完整的模型结构。你的代码将是验证想法的核心。 科学的实验与分析： 设计严谨的实验方案，在海量数据和计算资源上进行模型训练与评测，通过数据分析驱动模型迭代优化。 知识沉淀与分享： 撰写技术报告或论文，与团队分享你的发现，共同推动项目前进。
前沿探索： 跟踪和研究多模态学习、大语言模型（LLMs）、视觉基础模型等领域的最新进展（如 Transformer、Diffusion Models、VLP等）。 模型构建： 参与多模态基础模型的核心架构设计与实现，探索如何高效融合文本、图像、音频等多源信息。 能力攻坚： 重点攻克并提升模型在特定维度的基础能力，包括但不限于： 视觉文本理解： 提升复杂场景下的文字识别（Scene Text Recognition）与光学字符识别（OCR）的精度和鲁棒性。 布局与结构感知： 让模型理解文档、网页、UI界面的布局结构，实现精准的信息提取与问答。 空间关系推理： 训练模型理解图像/视频中物体之间的方位、遮挡、从属等空间关系。 实验与优化： 设计和执行大规模的深度学习实验，对模型进行训练、评估和迭代优化，并分析实验结果，沉淀技术方案。 协作共创： 与团队中的顶尖科学家和资深工程师紧密合作，共同解决研究与工程中的挑战。
1. 针对多模态大模型设计并实现强化学习算法，提升模型在推理、工具调用、Agentic 能力上的表现。 2. 参与大模型的强化学习训练流水线设计与实现，包括奖励建模、策略优化、对齐训练等环节。 3. 关注行业内顶尖机构在 Agentic RL、多智能体学习、多模态推理 等方向的最新成果，基于前沿研究提出创新性方法，推动模型在复杂推理、长程规划、多轮对话等方向的突破。