岗位职责 参与文档场景的多模态技术研发，包括但不限于：文字公式识别、表格识别、文档解析等。 探索多模态大模型在手机影像、智能推荐、用户交互等场景的应用。 跟踪学术界与工业界前沿技术（如Transformer、Diffusion Models、多模态预训练），推动技术落地。 岗位要求 教育背景：计算机科学、人工智能、电子工程等相关专业硕士或博士在读，2025届及以后毕业生优先。 技术能力： 扎实的编程基础（Python/C++），熟悉PyTorch/TensorFlow等深度学习框架。 熟悉计算机视觉（CNN/Transformer）或多模态技术（CLIP、VideoMAE、Whisper等）。 有视频理解、跨模态对齐、时序建模等相关项目或论文经验者优先。 加分项： 熟悉大模型技术（LLM、多模态大模型）或移动端AI部署（ONNX、TensorRT）。 在顶级会议（CVPR/ICCV/ACL/MM等）发表过相关论文，或Kaggle/天池等比赛获奖。 个人特质：逻辑清晰，对AI技术落地有热情，具备良好的团队协作能力。

参与视频内容的多模态理解技术研发，包括但不限于：视频分类、动作识别、跨模态检索（视频-文本/音频）、视频摘要生成等。 探索多模态大模型（如视频理解、LLM与视觉结合）在手机影像、智能推荐、用户交互等场景的应用。 优化算法模型在移动端的部署效率，结合vivo终端设备特性（如计算摄影、AI芯片）进行轻量化改进。 跟踪学术界与工业界前沿技术（如Transformer、Diffusion Models、多模态预训练），推动技术落地。