百度
CV / 多模态算法实习生（J105451）
CV / 多模态算法实习生（J105451）
发布于 3 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
Ocr
Pytorch
Vlm
图像增强
文档理解
视觉语言模型
计算机视觉
值不值得投
76综合评分
综合评分 76
头部企业核心业务算法实习，技术栈前沿且落地场景明确，发展性动机满足度极高。
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 1140 个在招 · 其中计算机视觉工程 3 个
市场机会
选择面较广
北京 · 计算机视觉工程 · 约 110 个在招
职位详情
关于这个职位
该职位主要负责文档扫描、图像增强及图片转文档（Word/Excel）的算法研发
你需要结合计算机视觉、OCR与视觉语言模型，优化算法的准确性与推理效率，并推动算法在实际业务中的落地
最低要求
计算机、人工智能、电子信息、数学等相关专业本科、硕士或博士在读，硕士及以上学历优先
掌握计算机视觉和深度学习基础，熟悉图像分类、目标检测、图像分割、关键点检测、OCR 或版面分析等常用技术
熟悉 Python，掌握 PyTorch 等至少一种深度学习框架，具备良好的代码实现、实验分析和问题定位能力
对文档扫描、图像矫正、图像增强、OCR、表格识别、版式还原或文档理解中的一个或多个方向有实际项目经验
具备较强的论文阅读与复现能力，能够快速理解并将前沿 CV / VLM 方法应用于实际问题
具备良好的责任心、沟通协作能力和团队合作精神，能够持续跟进并解决实际业务中的复杂问题
工作职责
负责拍照文档、扫描件、票据、表格等真实场景下的文档扫描算法研发
负责文档区域框选、透视矫正、倾斜校正、图像增强、去阴影、去噪、去模糊、背景净化和文字清晰化等
负责图片转 Word、图片转 Excel 相关算法研发，提升文字识别、表格还原和版式还原效果
结合计算机视觉、OCR 与视觉语言模型（VLM），分析线上 bad case，持续优化算法准确性、稳定性和推理效率
与产品和工程团队合作，推进算法在文档扫描和文档转换业务中的落地
优先资格
硕士及以上学历优先
AI 洞察
优缺点分析
优点
- 接触真实的业务场景与海量数据，算法落地经验对简历提升极大
- 结合传统CV与前沿VLM技术，技术栈紧跟行业趋势，具有很强的竞争力
- 头部企业平台，能接触到优秀的工程团队和完善的研发流程
- 真实场景下的文档处理存在大量长尾bad case，需要耗费大量精力进行数据分析和模型调优
- 算法推理效率与准确性的平衡是工程落地的一大难点，对模型轻量化和部署能力有一定要求
- 适合对计算机视觉和OCR技术有浓厚兴趣，具备扎实代码能力且希望将前沿算法应用于实际业务的在校生
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向可成长为CV/多模态算法专家，深入文档理解与图像处理前沿技术
- 横向可向AI产品经理或算法架构师发展，负责整体业务算法方案设计与落地
- 研发文档扫描与图像处理算法，解决真实场景下的文档框选、矫正、增强和清晰化问题
- 开发图片转Word/Excel的算法，提升OCR、表格还原和版式还原的效果
- 结合CV与视觉语言模型（VLM）分析bad case，优化算法性能并推动业务落地
- 扎实的计算机视觉和深度学习基础，熟练掌握PyTorch等框架及Python编程
- 熟悉OCR、目标检测、图像分割或版面分析等具体技术，有相关项目经验
- 具备较强的论文阅读与复现能力，能将前沿CV/VLM方法应用于实际业务
申请策略
- 在简历或面试中展现出对业务场景的理解，说明算法如何真正解决用户痛点
- 重点突出在OCR、图像增强、文档理解或VLM方向的实际项目经验及取得的指标提升
- 展示论文阅读与复现能力，如有顶会论文发表或知名开源项目贡献，务必详细列出
- 强调Python/PyTorch代码能力，以及在模型训练、推理优化或部署方面的实践经验
- 提前了解百度在文档扫描、OCR或VLM领域的最新技术论文和开源项目
- 补充模型轻量化、TensorRT或ONNX等推理加速相关的知识，以应对推理效率优化的要求
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目，重点突出你解决复杂问题的思路和最终的业务收益
- 对于bad case分析，遵循“数据收集->错误分类->根因分析->策略制定（数据增强/模型结构修改/后处理优化）->效果验证”的闭环逻辑
- 请详细介绍你做过的项目中，是如何解决图像增强或OCR识别中的长尾问题的？
- 如果线上出现大量文档透视矫正失败的bad case，你会如何分析和优化？
- 你如何理解视觉语言模型（VLM）在文档理解任务中的应用？与传统OCR有何区别？
- 在模型推理效率优化方面，你有哪些实际经验或思路？
- 复习计算机视觉和深度学习的基础知识，特别是目标检测、图像分割和Transformer架构
- 准备1-2个自己最熟悉的项目，深入思考其中的技术难点、优化空间以及如果重新做会有什么改进
职位点评
薪资福利70
成长发展90
工作生活60
使命价值75
薪资福利
70中等
作为实习生岗位，薪资按日薪折算，处于北京地区算法实习的市场中上水平，能满足在校生的基本生活与实习需求。
薪资信号未披露（AI估算：6千–1.1万/月）
成长发展
90较高
岗位涉及前沿的CV与VLM技术，且有明确的业务落地场景，能极大提升算法工程化能力和前沿技术视野。
技术前沿前沿/新兴技术
技术栈计算机视觉、OCR、视觉语言模型、VLM、PyTorch、Python、图像增强、版面分析
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与加班情况，但算法实习通常需要跟进项目进度，WLB情况需入职后具体了解。
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
75中等
文档扫描与转换是提升办公效率的实用工具，具有较高的用户价值，且涉及前沿AI技术的落地。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs