课题详情： 多模态生成大模型的训练和推理离不开多模态理解算法，且生成任务对于理解有其独特的需求。该项目希望能够研究最适合多模态生成大模型的理解能力，重点包括但不限于： 1. 对多模态音视频进行有重点、准确的文本描述（Caption能力），提升多模态生成的效果。 2. 精准理解多模态上下文（比如图像、视频、动作、身份ID、镜头等）的关联关系，构建高质量的参考、编辑等指令。 3. 将用户的Prompt和意图通过理解模型准确转化为多模态生成模型的输入，提高多模态生成系统整体的效果和智能。 课题要求： 1. 熟悉多模态理解技术，有VLM模型的核心经验。 2. 具备大模型训练、调参、实验分析和问题排查能力。 3. 对数据有感觉、认同数据价值，能够深入分析数据、构建数据方案。 4. 好奇心强，思路灵活，做事认真负责，愿意挑战开放问题。 5. 熟练使用 AI 工具提升研发效率。 加分项 1. 有大规模预训练、VLM模型训练直接经验。 2. 有顶会论文、开源项目、产品落地经验等。 3. 在ACM、NOI等竞赛中取得优秀成绩。