【Dots】多模理解-视觉语言大模型研究员

团队介绍 做多模态的人通常有两种：一种是把各种模态「拼」在一起，一种是真的想搞清楚不同模态之间的关系，我们是后者。从视觉理解，到视觉+语音联合感知，到生成与理解统一——我们在挑战的不是某一个模态的单点能力，是整个「理解-生成-统一」的链条，挑战每种模态的单一能力上限，挑战多种模态的融合难题，挑战理解和生成能力的融合难题，实现类人的多模态能力。 岗位职责：参与视觉语言大模型的研发工作，负责下属事项至少一项或若干 VIT Pretrain：提升模型感知能力，包括但不限于 Vision Encoder Pretrain 算法架构 / 多种感知能力数据构建 VLM Pretrain：提升 vlm pretrain 的通用能力，探索各种不同训练阶段设计 / 不同通用数据的组织形式； VLM Post Train：提升 vlm 通用能力，包括但不限于合成数据 / RL 等方法 生成理解统一：探索生成理解统一架构，同时提升理解和生成能力 【任职要求】 任职要求 本科及以上学历，计算机等相关专业优化； 熟练掌握代码的阅读和编写技术，熟练使用 agentic ai 能力；在 python 和 pytroch 技术栈上有过深入实践 在视觉领域有过深入的实践和理解，有一定深度的专业认知和见解 具备良好的科学研发习惯、问题定义能力和对细节的敏锐度