工作职责: 1. 分析大规模视频、图像及文本数据的内容分布、质量、多样性、冗余度、长尾覆盖和缺失模式。 2. 建设多模态数据理解能力，包括 embedding、检索、聚类、分类、标签体系、Caption 和质量评估。 3. 研究并落地数据清洗、去重、召回、采样、数据配比和课程学习等策略，优化预训练数据组成。 4. 围绕人物、场景、动作、运镜、时序一致性、物理规律和审美等维度，建立视频数据分析与分层方法。 5. 与模型团队共同设计数据消融和对比实验，分析数据规模、质量及分布对模型能力的影响。 6. 持续识别预训练数据中的能力缺口，形成“数据分析—策略设计—训练实验—效果归因”的数据飞轮。 7. 参与大规模数据处理 Pipeline、数据分析平台和可视化工具建设，提高数据研究及生产效率。 工作要求: 1. 2027 届以后本科或研究生在读，计算机、人工智能、数学、统计学等相关专业优先。 2. 熟悉深度学习基础，了解多模态模型、视觉语言模型或视频生成模型的基本原理。 3. 对数据内容及分布敏感，能够从数据现象中发现问题、提出假设并设计实验验证。 4. 熟练使用 Python，掌握 PyTorch，具备良好的数据分析、统计和可视化能力。 5. 了解 embedding、向量检索、聚类、分类、去重或采样等常用算法。 6. 具备较强的研究能力和工程能力，能够独立定义问题并推动落地。 7. 每周可实习 4 天及以上，连续实习 3 个月以上，能长期实习者优先。