多模态理解算法实习生

1. 参与和负责面向物理世界的具身理解大模型的研发，提升具身理解模型的感知和认知能力，包括但不限于：视觉定位、复杂点指、空间理解、任务规划、人机交互等； 2. 理解模型能力边界（理解、推理、空间/时间定位等），为具身基座模型训练提供高质量数据，构建多模态数据（文本、视觉、动作等）合成、清洗、标注和格式化的数据管线； 3. 构建分布合理的视频理解数据 (人类行为、事件识别) 和高质量 Video Caption/Temporal Grounding；构造CoT真值，进行长程行为/任务拆解，提供逻辑清晰的中间推理步骤。

1. 具有计算机视觉、自然语言处理、大模型等相关专业背景或相关行业实习经理，硕士及以上学历优先； 2. 熟练掌握主流深度学习框架，如PyTorch、Deepspeed、Megatron，并具备优秀的编程能力； 3. 对主流多模态大模型有深入理解，有实际训练和优化经验，熟悉相关任务和评测方法； 4. 熟悉强化学习、思维链(Chain-of-Thought)等技术，能够提升模型的推理能力；