商汤CV算法研究实习生
任职要求
任职资格： 1、扎实的计算机视觉和工程技能基础 2、独立分析和解决问题的能力，良好的沟通能力 3、基本的算法设计和实现能力，熟悉Python/C++/CUDA编程，掌握PyTorch/…
工作职责
1. 辅助开展计算机视觉和深度学习算法的开发与性能提升，研究的问题包括但不限于：2D/3D物体检测与跟踪、物体6D姿态估计、人体姿态估计、物体人体在线重建、人体运动捕捉、语义分割、动态场景重建、视觉定位与导航等。 2. 紧跟学术前沿，开展高水平和创新性的研究，保持算法在工业界和学术界的领先，参与顶会论文投稿及专利申请。 3. 负责开发管理研究所需要的工具以及基础设施。 岗位优势： 1. 介于工业界与学术界之间，用前沿研究解决实际问题 2. 拥有丰富的数据与计算资源 3. 与科研和工程经验丰富的同事共事，有机会得到合作教授的科研指导
涵盖以下三个子方向： 图像/视频生成方向 1、参与图像生成、视频生成、多模态生成等相关算法研发； 2、跟踪前沿生成式模型，包括但不限于Stable diffusion、DiT、FLUX、Qwen-Image、WAN、Z-Image等算法模型； 3、探索大模型在图像与视频内容生成中的应用与优化方案； 4、参与高质量数据构建、训练策略设计及模型效果优化。 图像/视频编辑方向 1、参与图像编辑、视频编辑、可控生成、指令编辑等相关算法研究； 2、包括但不限于Inpainting、Outpainting、风格迁移、局部编辑、人像美化、多图融合等任务； 3、探索基于多模态大模型（MLLM）的prompt改写方案； 4、优化编辑模型在实际业务场景中的稳定性与泛化能力。 图像/视频复原方向 1、参与图像/视频的增强与复原相关算法研发，包括超分辨率、去噪、去雨、去雪、去模糊、去反光、去阴影、低光增强等任务； 2、研究生成式方法在图像复原中的应用； 3、负责模型训练、调优及实际落地效果提升； 4、推动算法在移动端及工程系统中的部署优化。
我们正在寻找一位在多模态大模型（VLM）与智能体（Agent）领域具备深厚技术积淀的算法工程师。你将作为智能相册 Agent 的核心共创者，深度参与构建端云协同的下一代手机智能体生态。你将利用最前沿的深度推理（Deep Reasoning）、工具链学习（Tool Learning）以及图像/视频理解技术，打破传统相册的工具属性，赋予其主动规划、记忆反思、私有知识图谱检索以及跨应用协同的 Agent 能力。 岗位职责 1. 深度推理、意图识别与任务编排（Core Agentic Workflow） 负责端云协同相册 Agent 的架构设计与算法实现，攻坚多轮对话中的复杂长文本上下文管理、记忆提取（Memory Storage & Retrieval）与反思（Self-Reflection）机制。研究并优化 Agent 的任务拆解（Sub-goal Decomposition）与自主规划（Planning）能力，设计在端侧算力环境下的高可靠性路由决策机制。 2. 模型定制微调与推理效能优化（Fine-Tuning & Infra Optimization） 针对相册专属场景，负责大语言模型（LLM）与多模态模型（VLM）的指令微调（SFT）与强化学习，优化模型在 Tool-use 和结构化输出（JSON 强约束）上的准确率。基于开源的高吞吐推理引擎，针对高并发/端侧低算力环境进行模型的剪枝、量化以及分布式并行训练优化。 3. 数据飞轮与评测闭环 负责搭建完整的 Agent 评测基准（Benchmark）与数据飞轮工程，通过用户行为埋点形成自主对齐闭环，驱动算法模型的持续迭代。
1、参与视觉空间理解、计算与推理相关算法的辅助研发、调试与优化工作； 2、负责相关任务的高质量数据构建（如：设计/搭建并优化数据pipeline），保障数据质量适配模型训练与效果达成； 3、基于VLA技术完成相应的任务。包括但不局限于：研究影像与成像参数的关联机制。 4、配合团队完成技术文档撰写、实验数据整理等相关工作，产出高质量论文或学术报告。
1. 负责研究和开发视觉理解与生成类算法，以实现高效、高质量的扩散模型（diffusion）和多模态理解大模型，为图文创作、图片编辑等产品提供能力。 2. 与团队成员合作，带头攻关项目中遇到的技术难题。 3. 跟踪最新的CV技术发展，洞察前沿技术发展趋势。