百度
多模态大模型视频理解算法研发工程师（J89977）
多模态大模型视频理解算法研发工程师（J89977）
发布于 大约 2 小时前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
PyTorch
TensorFlow
LLM
分布式训练
VLM
CLIP
ViT
AI 估算 · 30k–60k
高级算法岗，顶尖大厂，硕博学历要求，对标视频理解前沿，薪资竞争力强。
职位详情
关于这个职位
该职位聚焦于多模态大模型在视频理解方向的前沿算法研发，核心任务包括视频问答、描述生成、时序定位等
你将与顶尖团队合作，从数据构建到分布式训练，推动SOTA模型落地
适合具备深度学习、视频理解或多模态研究背景，热爱技术突破的硕博人才
最低要求
教育背景：计算机科学、人工智能、电子信息、自动化或相关领域的硕士或博士学历
专业经验：具备扎实的机器学习、深度学习理论基础，对Transformer、ViT、CNN、RNN等模型有深入理解
精通Python编程，并熟练掌握至少一种主流深度学习框架
在以下至少一个领域有深入的研究或项目经验：视频理解（如行为识别、视频分类、时序定位等）
多模态学习（熟悉CLIP、ALIGN等多模态预训练模型，了解跨模态融合、对齐等技术）
大语言模型(LLM)/视觉语言模型(VLM)，有LLM或VLM的微调、开发经验
科研能力：在CVPR, ICCV, ECCV, NeurIPS, ICLR, AAAI等顶级人工智能会议/期刊上发表过相关论文者优先
工程能力：具备处理大规模数据集的经验，熟悉Linux开发环境和Git等协作工具
综合素质：具备优秀的分析和解决问题的能力，良好的沟通能力和团队合作精神，对前沿技术有强烈的热情和探索欲
工作职责
前沿算法研发：负责多模态大模型在视频理解方向的算法研究与开发，紧跟CVPR, ICCV, NeurIPS等顶会的最新进展，探索和实现世界领先的（SOTA）视频理解模型
核心任务攻关：聚焦于一项或多项核心视频理解任务，包括但不限于：视频问答(Video QA) & 对话
视频描述/摘要生成(Video Captioning/Summarization)
时序行为定位与识别(Temporal Action Localization & Recognition)
视频主题/事件检测(Video Topic/Event Detection)
大规模数据构建：负责视频理解所需的大规模、高质量多模态数据集的构建，包括数据采集、清洗、标注和管理策略的制定与执行
大规模训练：负责视频理解大模型的分布式训练、微调和性能优化，解决训练过程中的效率和收敛性挑战
技术落地与创新：与业务团队紧密合作，推动算法在产品中的实际应用与效果验证，并从中提炼出新的算法迭代方向
AI 洞察
暂无 AI 洞察数据
匹配度报告
Watch Jobs