达摩院-多模态大模型算法工程师（视频理解方向）-杭州

1. 多模态大模型的视频理解应用：基于主流多模态大模型，通过微调、后训练与模型适配，解决视频内容理解、长视频结构化、视频问答、时序定位及复杂事件推理等问题，推动模型能力落地。 2. 跨模态融合理解：融合音频（语音/音效/说话人）、文本（字幕、ASR 转写、OCR、元数据）等多源信息，设计跨模态对齐与融合方案，提升复杂场景下的理解效果与鲁棒性。 3. 模型效率与部署成本优化：面向长视频推理成本问题，通过蒸馏、剪枝、量化、视觉 token 压缩及推理引擎优化降低资源开销，探索跨帧特征复用、Tracking 辅助推理等效率方案。 4. 数据与评测体系：构建高质量多模态指令与评测数据（视觉-音频-文本对齐），搭建覆盖多任务的数据清洗、标注与评测 pipeline，支撑模型效果迭代。 5. 技术前瞻与创新落地：持续跟踪 Video-LLM 与多模态大模型前沿进展，研判关键技术演进方向，推动前沿技术的…… 完整岗位描述与官方投递入口,请登录后在岗位详情页查看。