多模态大模型算法实习生-OCR方向

岗位职责 OCR领域多模态大模型学术进展跟进： 跟踪学术界与工业界最新发布的OCR、文档理解、图表解析等相关领域工作，定期进行总结分享 深入理解目前广泛使用的OCR评估体系（包括但不限于NED、CDM、TEDS等指标），参与评测基准的构建与维护，并设计更贴近用户体感的OCR评测方案 OCR数据建设 调研并分析经典文档图像合成方法（如SynthDoG）及其他OCR训练数据合成最佳实践，据此参与设计与开发高效的数据合成pipeline，覆盖各OCR子任务 调研基于LaTeX/HTML/Markdown的文档页渲染方法，参与搭建并优化相关pipeline与工程实现 探索适合OCR任务的数据增强技术，包括几何变换、噪声注入等，并在实际数据上应用 OCR专家模型训练 探索并设计适合OCR任务的VLM训练算法/模型结构 探索并搭建OCR领域的数据飞轮，寻求数据-模型协同进化的训练策略 职位要求 教育背景 研究生在读，计算机/人工智能/模式识别相关专业优先 技术能力 熟练掌握Python编程，熟悉OpenCV、PIL等图像处理库 熟练掌握Pytorch等深度学习训练框架，同时熟练掌握Transformer/Megatron等大模型训练框架 深入理解多模态大模型（VLM）基础原理，对OCR相关任务有一定基础认知 经验要求 （优先）具备文档图像处理经验，了解传统文本检测（DB、EAST等）、传统文本识别（CTC等）、表格识别等经典OCR方法的同学优先 （优先）熟悉最新OCR相关工作（例如DeepSeekOCR2，MinerU2.5，PaddleOCR-VL等）的同学优先 （优先）有OCR数据合成，LaTeX/HTML/Markdown渲染工程经验的同学优先 工程与学习能力 具备利用大模型工具快速学习新技术的能力，能独立阅读前沿论文并获取关键insight 有大规模数据处理、分布式训练经验者优先 团队协作 良好的沟通能力和团队合作精神，能够与算法、工程团队密切协作 实习信息 实习时间：实习6个月或以上 工作地点：北京市海淀区苏州街大恒科技大厦 线下办公