多模态理解算法研究员

岗位职责

1. 承担视频Caption和参考生成的Instruction职责，特别是在多分镜、高动态、长视频等场景提供精准、全面的描述，最大化弥合文本模态和视频模态之间的差异；
2. 承担Agentic PE的职责，对用户指令进行精准、有效、丰富的改写，从15秒片段效果和分钟级成片两个角度实现最佳的PE，控制视频生成模型产出最符合用户需求的视频内容；
3. 承担Reward model的职责，能够客观、稳定地评价模型画面、运动、合理性等方面的表现，辅助视频模型训练监控、模型版本选择；
4. 承担理解基模后训练的职责，充分利用可灵数据训练最适合团队的多模态理解基座模型，支撑可灵全链路的数据算法、理解算法任务。

任职要求

1. 有音视频理解、多模态Caption、理解生成一体化、理解/生成Benchmark等方向的经验，有大厂实习、顶会论文优先；
2. 有自主开发能力且能用好Agent进行日常工作辅助开发，有多模态理解模型训练经验优先；
3. 重视多模态理解能力在实际工业场景的价值，痴迷业务价值而不是绝对榜单分数；
4. 有理解、生成模型能力水位的客观判断能力，有实际动手验证的能力，对自身能力保持清晰认知；
5. 有良好的协作与沟通能力，能积极与团队进行沟通，能准确、清晰表达自己的需求。