混元视频感知与理解算法研究员（北京/上海）(深圳)

职位描述

1.主导视频能力建设：负责多模态大语言模型（VLM）的视频感知与理解能力研发，围绕视频数据、训练方法与评测体系开展系统性建设，持续提升模型对动态视觉世界的理解能力与能力上限；

2.攻坚视频基础理解：聚焦视频中的时序、运动、事件、行为及空间关系等核心能力，提升模型对复杂动态场景、细粒度视觉信息及长程上下文的感知和理解能力；

3.提升复杂视频推理：探索面向视频场景的多步推理、时空推理、因果推理及组合推理能力，研究视频信息与大语言模型推理能力的深度融合，提升模型解决复杂视频任务的泛化能力；

4.建设视频评测与数据飞轮：建立系统化的视频能力评测体系，持续分析模型能力边界与核心 Badcase，形成“评测—数据—训练—验证”的研发闭环，驱动模型能力持续迭代；

5.推进视频全流程研发：负责视频方向的 预训练、中训练、后训练的数据生产，开展SFT、强化学习等后训练算法研发，建设高质量视频训练数据及自动化数据生产流程，探索更高效的视频能力学习与对齐方法。