阿里巴巴
研究型实习生 - 视频理解算法研究
研究型实习生 - 视频理解算法研究
发布于 5 小时前实习/见习
实习生仅现场办公计算机视觉工程
计算机视觉工程
Mllm
Pytorch
Vlm
多模态大模型
强化学习
深度学习
视频理解
计算机视觉
值不值得投
76综合评分
综合评分 76
阿里核心AI团队研究型实习，技术前沿、成长空间极大，适合有志于多模态算法研究与落地的在校生。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
9千
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2990 个在招 · 其中计算机视觉工程 29 个
市场机会
选择面较广
杭州 · 计算机视觉工程 · 72 个在招
职位详情
关于这个职位
该职位聚焦视频理解方向的前沿算法研究与落地，你将参与视频精细理解、复杂视频推理及数据评测体系构建等工作
你需要结合多模态大模型技术，探索视频理解Agent与系统，并推动前沿算法在真实业务场景的验证与落地
最低要求
硕士及以上在读，计算机、人工智能、电子、自动化、数学等相关专业
在计算机视觉、多模态、机器学习等一个或多个领域有扎实的研究基础与深入的项目经验
深入理解深度学习、计算机视觉与自然语言处理基础知识，对 VLM/MLLM 模型原理及主流视频理解方法有清晰认识
熟练掌握 Python 及 PyTorch 等主流深度学习框架，具备良好的工程实现与实验分析能力
具备较强的学习能力与钻研精神，对解决富有挑战性的技术问题有浓厚兴趣，良好的团队合作与沟通能力
工作职责
视频精细理解：研究视频主体、运动、场景的细粒度描述方法，攻克长视频的结构化理解（人物关系、情节发展、故事主旨等），支持长视频问答与精准时序定位（temporal grounding）
复杂视频推理：结合 R1 类思维链与强化学习技术，解析复杂视频事件，探索视频的因果推理、逻辑推理与跨片段信息聚合能力
数据与评测体系：探索高质量视频理解数据的构建、清洗、增强与自动/半自动标注方案，搭建覆盖事件定位、过程描述、主题概括等多任务的数据生产与评测 pipeline
视频理解 Agent 与系统：探索多模态大模型（VLM/MLLM）在视频理解 Agent 中的任务编排、模型路由与推理融合，推动前沿算法在真实业务场景的验证与落地
前沿追踪与产出：跟踪国际最新技术动态，产出高水平论文、专利或开源成果，推动学术与工程前沿发展
优先资格
在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL 等国际顶级会议或期刊上发表过论文
具备优秀代码能力，有 ACM/ICPC、NOI/IOI 等竞赛获奖经历
在多模态大模型、视频理解、长上下文建模、强化学习等方向主导或深度参与过有影响力的项目或开源工作
在权威数据集 Leaderboard 上排名靠前，或在开源社区有较大影响力
AI 洞察
优缺点分析
优点
- 岗位聚焦多模态大模型与视频理解，属于当前AI领域最具潜力和热度的发展方向
- 鼓励产出高水平论文与开源成果，为未来学术深造或顶级算法岗求职提供强力背书
- 视频理解与长上下文建模属于技术深水区，需要克服复杂视频推理与数据构建的诸多难题
- 适合对多模态大模型和视频理解有浓厚兴趣、具备扎实算法基础且有志于在AI前沿领域深造的硕士及以上在校生
缺点 / 挑战
- 依托头部科技公司的算力与数据资源，能够接触并解决真实业务场景中的前沿技术挑战
- 研究型岗位对理论基础与代码实现能力要求极高，面临较大的技术突破与论文产出压力
角色解读
- 在顶尖AI团队接触多模态大模型与视频理解的最前沿技术，积累深厚的算法研究与落地经验
- 未来可向多模态算法专家、AI研究员或大模型业务架构师等高级技术方向发展
- 研究视频主体、运动、场景的细粒度描述方法，攻克长视频结构化理解与精准时序定位
- 结合思维链与强化学习技术，解析复杂视频事件，探索因果推理与跨片段信息聚合能力
- 探索多模态大模型在视频理解Agent中的任务编排与推理融合，推动算法在真实业务场景落地
- 扎实的计算机视觉、多模态与机器学习研究基础，深入理解VLM/MLLM模型原理
- 熟练掌握Python及PyTorch等深度学习框架，具备优秀的工程实现与实验分析能力
- 具备较强的学习能力与钻研精神，能够跟踪国际最新技术动态并产出高水平论文或专利
申请策略
- 提前了解公司在多模态大模型和视频理解方向的最新业务落地场景与技术博客，展现对业务的思考
- 重点突出在计算机视觉、多模态或机器学习领域的研究项目经验及取得的成果
- 详细列出在CVPR、ICCV等顶级会议或期刊发表的论文，或在权威数据集Leaderboard上的排名
- 展示熟练掌握Python和PyTorch的工程能力，以及参与过的有影响力的开源项目或竞赛获奖经历
- 深入学习VLM/MLLM模型原理及主流视频理解方法，了解R1类思维链与强化学习在视频推理中的应用
- 提升长上下文建模与复杂视频事件解析的代码实现能力，熟悉高质量数据构建与评测pipeline的搭建
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化讲述项目经验，重点突出个人的核心贡献与技术难点突破
- 对于技术原理与改进思路类问题，先从底层数学原理或模型架构出发，再结合具体业务场景分析优缺点及优化方向
- 请详细介绍你过去在计算机视觉或多模态领域的一个核心项目，你解决了什么关键技术难题？
- 针对长视频的结构化理解和精准时序定位，你认为目前主流方法的瓶颈在哪里？有什么改进思路？
- 如何结合思维链与强化学习技术来提升复杂视频事件的因果推理能力？
- 在构建高质量视频理解数据集时，你如何设计自动或半自动标注方案以保证数据质量？
- 复习多模态大模型、视频理解、强化学习等核心基础知识，并阅读团队近期发表的相关论文或开源项目
- 准备1-2个自己主导的、有深度的算法研究项目，能够清晰阐述动机、方法、实验设计与最终结论
职位点评
薪资福利50
成长发展95
工作生活60
使命价值85
薪资福利
50较低
作为研究型实习岗位，薪资主要体现为实习津贴，未明确披露具体薪资与福利细节，补偿性动机满足度中等。
薪资信号未披露（AI估算：6千–1.2万/月）
成长发展
95较高
岗位聚焦多模态大模型与视频理解前沿研究，鼓励产出顶会论文与开源成果，技术成长与学术发展空间极大。
技术前沿前沿/新兴技术
技术栈VLM、MLLM、PyTorch、Python、强化学习、思维链
业务类型ambiguous
工作生活
60中等
JD未明确提及办公模式与工时安排，作为研究型实习，工作节奏可能随项目进度和论文截稿期有所波动。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
致力于推动多模态大模型与视频理解的技术前沿，探索复杂视频推理与Agent系统，具有较高的技术使命感与行业前瞻性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs