职位描述 负责音视频内容理解相关的算法研究工作，包括但不限于视觉描述生成（Video Caption）、视觉问答（VQA）、多模态大模型（MLLM）等技术， 负责研究相关技术方向并完成指定的算法优化任务 职位要求： 计算机、电子信息、数学等相关专业，硕士或博士在读，实习期不少于3个月 在计算机视觉或语音算法方面有扎实的基础，对于目前多模态算法有一定的了解，如CLIP，BLIP，LLaVA，Qwen-VL，video-llama等，有实际研究经验者优先 熟悉深度学习框架，如TensorFlow或PyTorch，有较强的动手能力，熟练掌握Python，有C/C++编程经验优先 具备良好的逻辑分析能力、学习能力、沟通能力 具有CVPR/ICCV/ECCV/NIPS等相关顶会论文者优先