课题详情： 课题背景 随着平台内容生态的快速发展，图文、短视频、直播、评论等每日产生海量多模态内容，同时违规形式日益隐蔽和复杂（文字+图像暗示、AI生成对抗、跨模态诱导等）。传统人工审核和单模态模型已难以满足规模化、高实时性的安全治理需求，容易导致漏判风险或高额人力成本。 因此，本课题聚焦研发内容审核多模态基座大模型，旨在构建一个统一、强大、可复用的安全垂类基座，通过深度融合多模态信息，精准理解平台规则与风险模式，为全平台内容审核和账号风控提供高效底层能力，大幅提升自动化审核率、准确率和治理效率，支撑健康的内容生态。 课题挑战 1、多模态深度融合与一致性理解：需有效对齐图片、视频、音频、文本、行为序列、关系特征等多模态信息，应对复杂的跨模态对抗和隐性违规，防止模态冲突导致判断失误。 2、高动态违规的持续适配：违规手法迭代极快，长尾类别多，模型需实现高效的持续学习，同时避免灾难性遗忘。 3、极致规模下的效率与成本：亿级日内容量要求毫秒级低延迟推理，如何在保证极低漏判率的前提下大幅压缩模型、降低算力成本是重大工程挑战。 4、数据与对齐难题：高质量违规标注成本高、主观性强，且需严格隐私合规；同时要在高精度打击与低误伤正常内容之间取得平衡。 具体工作 加入课题后，同学将主要参与多模态基座模型的预训练/后训练、跨模态融合架构设计、数据 pipeline 构建、模型压缩与推理加速等工作，承担部分实验验证、难例分析及下游任务适配优化，快速积累大模型研发与内容安全领域的实战经验。 课题要求： 学历和专业要求 来自计算机科学、人工智能、机器学习、计算机视觉或相关专业的博士/硕士同学优先。 技术技能要求 有大模型或多模态算法研发实习经验，熟练掌握PyTorch（优先）等主流深度学习框架，精通Python编程；扎实的数学基础（概率论、线性代数、微积分等），有大规模模型训练、优化或CUDA并行计算经验者优先。熟悉内容安全、多模态理解（CV+NLP+序列建模）者优先。 软性素质要求 对大模型训练、优化及AI安全落地有浓厚兴趣和快速学习能力；具备良好的沟通协作能力、团队合作精神和较强的工程实践与问题解决能力，能够主动推动课题进展。