工作职责： - 跟踪GUI Agent、多模态大模型及智能体领域的前沿进展，完成论文调研、技术分析、开源方案复现与验证。 - 参与GUI界面感知与理解算法研发，包括截图与DOM/可访问性信息融合、OCR、图标与布局理解、可交互元素定位及界面状态识别。 - 参与Agent任务理解、步骤规划、工具调用、动作生成、执行反馈和异常恢复等关键能力的研发与优化。 - 参与浏览器、桌面应用等真实环境中的GUI任务数据建设，包括交互轨迹采集、清洗、标注、合成和质量分析。 - 参与多模态模型的训练、微调及评测，围绕任务成功率、定位准确率、执行效率、鲁棒性和推理成本开展实验分析。 - 参与GUI Agent原型开发和工程落地，建设可复用的训练、评测及调试工具，并沉淀技术文档和研究结论。 任职资格： - 计算机、人工智能、自动化、电子信息或相关专业硕士及以上在读，能够连续实习3个月以上，每周不少于4天。 - 具备扎实的机器学习和深度学习基础，理解Transformer、视觉语言模型VLM和大语言模型LLM的基本原理。 - 熟悉目标检测、OCR、视觉定位、跨模态对齐或多模态理解中的至少一个方向。 - 熟练使用Python，掌握PyTorch等至少一种深度学习框架，具备Linux、Git及基本工程开发能力。 - 能够流利阅读英文技术文献，独立完成论文总结、方案复现、对比实验和结果分析。 - 具备良好的实验习惯、问题分析能力和沟通协作能力，能够清晰记录实验过程并形成可复用结论。 #### 加分项 - 具有GUI Agent、Web Agent、Browser Agent、RPA或交互式智能体相关研究及项目经验。 - 熟悉浏览器或桌面应用自动化，了解DOM、Accessibility Tree、Playwright、CDP、MCP或Tool Calling。 - 具有Agent交互轨迹构建、指令微调、偏好优化或强化学习相关经验。 - 使用或研究过OSWorld、WebArena、Mind2Web、BrowserGym、AndroidWorld等GUI Agent数据集或评测环境。 - 在CV、NLP、ML或AI相关高水平会议发表过论文，或有高质量竞赛及开源项目成果。 #### 岗位亮点 - 深入参与GUI Agent前沿技术研究及真实业务场景落地。 - 覆盖界面感知、任务规划、动作执行、反馈纠错和效果评测等完整技术链路。 - 参与多模态大模型从数据建设、模型训练到工程部署的研发全流程。 - 与经验丰富的人工智能团队合作，快速提升研究与工程能力。 - 优秀实习生可提前锁定校招HC。