混元视频感知与理解算法研究员（北京/上海）(深圳)

优缺点分析

角色解读

• 在腾讯混元大模型团队，可深入参与前沿多模态模型研发，成为视频理解方向的专家
• 有机会主导核心算法方向，晋升为技术专家或团队负责人
• 可向AI领域更广泛的研究方向拓展，如多模态基础模型、具身智能等
• 负责多模态大语言模型（VLM）的视频感知与理解能力研发，包括视频数据、训练方法与评测体系的建设
• 聚焦视频中的时序、运动、事件、行为及空间关系等核心能力，提升模型对复杂动态场景的理解
• 探索视频场景下的多步推理、时空推理、因果推理等，研究视频信息与LLM推理能力的融合
• 建设视频评测体系，分析模型能力边界与Badcase，形成“评测-数据-训练-验证”的研发闭环
• 扎实的深度学习基础，熟悉Transformer、LLM、VLM等模型架构
• 对多模态模型训练及后训练方法（如SFT、强化学习）有深入理解
• 具备较强的算法研究、实验分析与工程实现能力，能独立推动研究问题落地
• 对视频理解、多模态大模型方向有强烈兴趣和前沿探索热情

申请策略

• 关注腾讯混元大模型团队的技术博客和公开分享，了解团队方向
• 在面试中展示对视频理解领域问题的深入思考和解决思路
• 突出视频理解、多模态大模型相关的项目经验，如VLM训练、视频问答等
• 强调在Transformer、LLM、VLM等模型架构上的实践经验
• 展示在SFT、强化学习等后训练方法上的研究成果或项目
• 如有顶会论文或开源项目，务必重点提及
• 深入学习多模态大模型的最新论文，如Video-LLaMA、LLaVA等
• 动手实践视频理解项目，熟悉数据处理和模型训练流程

面试指南

• 项目介绍：使用STAR法则（情境、任务、行动、结果），突出技术难点和你的解决方案
• 技术问题：先阐述基本原理，再结合具体场景分析，最后提出改进思路
• 开放性问题：展现你的思考深度，结合最新研究趋势，给出有逻辑的见解
• 请介绍一个你参与的视频理解或多模态项目，并说明你的贡献
• 如何设计一个视频理解模型的评测体系？
• 谈谈你对VLM模型架构的理解，以及如何提升其视频推理能力？
• 如何解决视频数据标注成本高的问题？
• 你对强化学习在视频理解中的应用有何看法？