阿里巴巴
研究型实习生-Qwen-Image图像生成数据与评测算法
研究型实习生-Qwen-Image图像生成数据与评测算法
发布于 大约 14 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Ffmpeg
Opencv
Pytorch
图像生成
多模态数据
数据处理
模型评测
深度学习
计算机视觉
值不值得投
66综合评分
综合评分 66
前沿视觉生成团队，技术成长极佳，但实习时间要求高、薪资未明确，WLB一般。
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
10K
比机器学习工程中位数高
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 1580 个在招 · 其中机器学习工程 约 150 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 270 个在招
职位详情
关于这个职位
你将加入阿里巴巴Qwen-Image团队，深度参与视觉生成大模型的数据全链路建设，包括数据处理流水线构建、智能清洗与质量评估、人工标注体系设计、数据与模型协同优化以及评测体系搭建
该岗位能让你接触前沿的图像生成技术，用高质量数据驱动模型能力跃升，非常适合对多模态数据与深度学习有兴趣的研究生
最低要求
计算机、数学、人工智能等相关专业硕士/博士在读，每周可实习5天，持续实习6个月及以上
具备扎实的计算机视觉与深度学习基础，熟练掌握Python编程语言与PyTorch等主流深度学习框架，具备优秀的代码实现与工程能力
对多模态数据处理有浓厚兴趣，熟悉图像、文本、视频等多模态数据的清洗、筛选、对齐与质量控制流程
自我驱动力强，动手能力强，工作细致，具备出色的问题分析与解决能力，能够独立开发高效的数据处理算子与流水线
善于平衡研究目标与落地实现，具备跨学科视野与协作意识，能够与算法、工程、产品等多学科团队紧密合作，推动研究成果快速落地
关注技术影响力，具有开源开放精神，对基础模型的前沿问题有持续热情，敢于挑战现有范式，能够独立应用技术解决复杂问题
工作职责
数据处理链路构建：深入理解视觉生成大模型的训练目标，设计并实现可靠、可扩展的数据处理流水线
实现海量多模态数据（图像、文本、视频等）的预处理、过滤、检索归类与规模化产出，支撑模型高效迭代
智能清洗与质量评估：利用开源模型对原始数据进行智能清洗、质量打分与标注，探索自动化数据筛选策略，持续提升训练数据的规模与质量
人工标注体系设计：与模型训练及评测团队密切合作，设计详细、可用的人工标注体系与规范
结合模型辅助，提高数据质量和可用性，为模型不同训练阶段提供高质量的数据支持
数据与模型协同优化：针对模型训练中暴露的数据问题（如噪声、偏差、模态对齐缺失等）设计工程化解决方案，探索数据与模型协同优化的新方法，你处理的数据将直接进入生成模型的训练
模型评测体系构建：协助建立专业且详尽的视觉生成大模型生成质量评估方法和基准测试，通过数据实验分析定位模型瓶颈，指引算法优化方向，建立“评测—分析—优化—复评”的迭代闭环
优先资格
在计算机视觉或AI领域顶级会议/期刊（如CVPR, ICCV, ECCV, NeurIPS, ICML, ICLR等）上有视觉生成、多模态学习或数据处理相关的高质量论文发表
在知名开源社区（如GitHub）发布过有影响力的数据处理、视觉生成相关项目，或对HuggingFace等主流开源生态有核心贡献
熟悉FFmpeg、OpenCV、WebDataset/tar格式数据集，或具备分布式数据处理（如Ray/多进程）实战经验
熟悉Code Agent工具，或有大规模数据实战经验、在相关AI竞赛中获得引领性研究成果
AI 洞察
优缺点分析
优点
- 加入阿里巴巴核心AI团队，接触Qwen-Image系列先进模型，技术视野开阔
- 工作内容涉及数据处理、模型评测与优化，综合技能提升快，且数据直接用于训练，成就感强
- 公司平台大，资源丰富，有优秀导师与科研氛围，可能参与顶会论文产出
- 实习薪资福利较好，且可积累工业级大规模数据处理经验
- 实习期要求6个月以上且每周5天，时间投入较大，需合理安排学业
- 数据处理工作细致繁琐，需要较强耐心和工程能力，同时需快速理解模型训练需求
- 适合对视觉生成、多模态数据有浓厚兴趣，具备扎实编程和深度学习基础，且希望将研究落地于工业场景的硕士/博士同学
缺点 / 挑战
- 竞争激烈，实习生需要自我驱动，快速产出有效成果，压力较大
角色解读
- 实习生可深入前沿视觉生成领域，积累大规模数据处理与模型评测实战经验，为后续研究或工业界工作打下坚实基础
- 表现优秀者可获得转正机会，进入Qwen-Image团队从事视觉生成基座模型研发
- 可逐步成长为数据算法专家或视觉生成研究员，参与更高层次的模型设计与训练
- 构建大规模多模态数据处理流水线，包括图像、文本、视频的预处理、过滤、检索与产出
- 利用开源模型进行数据智能清洗、质量打分与标注，设计自动化数据筛选策略
- 与模型训练团队协作，设计人工标注体系，并针对训练数据问题（如噪声、偏差）提出优化方案
- 建立视觉生成大模型的评测体系，通过实验分析定位模型瓶颈，形成迭代闭环
- 扎实的计算机视觉与深度学习理论基础，熟悉主流生成模型原理
- 熟练使用Python和PyTorch，具备优秀的工程实现与代码调试能力
- 熟悉多模态数据清洗、对齐与质量控制流程，有大规模数据处理经验
- 具备分布式数据处理经验（如Ray、多进程）和开源工具使用能力更佳
申请策略
- 申请时附上个人技术博客或GitHub项目链接，增强代码能力展示
- 在简历中明确实习时间可满足6个月且每周5天，提高录取概率
- 突出计算机视觉、多模态相关项目或论文，尤其与数据清洗、质量评估相关的经验
- 详细描述使用PyTorch、Python进行大规模数据处理的实际案例，量化数据规模和效果提升
- 强调开源贡献或竞赛成绩，如HuggingFace、GitHub star数或CVPR/NeurIPS论文发表
- 展示工程能力，包括分布式数据处理、FFmpeg/OpenCV使用等加分项
- 提前学习WebDataset、Ray等工具，了解大规模数据管道设计
- 熟悉图像生成模型（如Stable Diffusion、Qwen-Image）的评测指标和数据要求
面试指南
- 采用STAR法则：描述情境、任务、行动和结果，突出数据规模、方法创新和量化效果
- 从数据与模型协同角度回答，强调基于模型反馈优化数据策略的思路
- 展示动手能力，结合具体代码或工具（如FFmpeg、Ray）说明工程实现经验
- 请谈谈你对视觉生成大模型数据质量的理解，如何设计一个数据清洗流水线？
- 你处理过哪些多模态数据？如何解决数据噪声或模态对齐问题？
- 解释一下你使用PyTorch实现过的某个深度学习项目，遇到过哪些工程挑战？
- 如何评估一个图像生成模型的质量？你会构建哪些评测指标？
- 你是否熟悉分布式数据处理？请简述Ray的原理及应用场景
职位点评
薪资福利60
成长发展90
工作生活40
使命价值85
薪资福利
60中等
实习薪资未在JD中明确，但阿里巴巴实习待遇通常在行业中属于中上水平，具有一定吸引力。
薪资信号未披露（AI估算：8K-12K/月）
成长发展
90较高
该职位处于前沿视觉生成领域，涉及数据全链路和模型评测，技术成长空间极大，且团队学术和产业影响力强。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、计算机视觉、多模态数据、图像生成、数据处理、模型评测
业务类型ambiguous
工作生活
40较低
要求每周5天现场实习，且实习期6个月，时间投入较大，工作地点在杭州或北京，无弹性工作安排说明。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
AI视觉生成是当前高速增长赛道，工作为推动AI创造力和企业应用做出直接贡献，使命感和影响力较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号为AI赋予真正的创造力、推动AI在企业服务、开发者生态及个人内容创作等领域的深度应用
创新程度积极采用新技术
Watch Jobs