小米Miclaw-图形图像方向实习生

1.聚焦语音/音频生成大模型技术研究，涵盖多模态融合，提升长序列建模能力与实时性。 2.研发风格与情感可控技术，构建语义-时序-声学等多级可控接口，支持音色迁移与交互式编辑。 3.落地助手、无障碍等小米应用场景，发表顶会论文1-2篇，申请专利2-3项。

1、深度参与多模态核心算法与模型的研发工作，覆盖图像/视频理解与生成、3D内容创建、声学信号（语音/音频）处理，以及跨模态（文本-视觉/听觉等）对齐、融合等关键方向； 2、主导部分子任务的设计与落地，参与实验方案制定、数据挖掘与预处理、模型训练及效果验证等全流程科研环节。参与多模态核心算法的设计与优化，针对模型精度、推理速度、显存占用等关键指标开展针对性调优；深入分析实验数据，提炼核心问题并输出创新性优化方案，助力团队突破技术瓶颈，保障核心产品的技术领先性。 3、独立或组队开展多模态、NLP、CV领域顶会（如NeurIPS/ICML/ICCV/ECCV/ACL等）及前沿开源项目的深度调研，聚焦领域核心难点与创新方向； 4、完成高质量调研报告，包含技术原理拆解、性能对比分析及落地可行性评估，推动前沿技术在团队核心项目中的转化与应用。负责核心代码的开发与维护、科研论文的撰写、技术专利的素材整理等工作，主动贡献创新性科研思路。