岗位描述 1、负责有道词典笔、有道词典等产品的核心视觉与多模态算法研发，覆盖 OCR、文档解析、图文理解、多模态生成与交互等方向，从技术调研到线上落地全流程负责。 2、负责文档解析与知识抽取：版面结构化提取，表格、公式、图表、手写内容识别，提升复杂学习资料的自动化处理与搜索体验。 3、研究并落地多模态大模型在教育与学习场景下的应用，探索视觉与文本的联合建模、指令微调与数据构建方法；并逐步向多模态 Agent 方向延伸，结合视觉理解、工具调用与任务规划构建智能体能力。 4、研发图像与文档翻译相关算法，包括复杂场景下的文字检测识别、版面分析、排版与字体还原。 5、负责算法的工程化与性能优化，包括模型训练、精度与速度调优、端侧部署，持续提升识别准确率、响应速度与鲁棒性。 6、跟进计算机视觉、多模态与大模型领域的最新进展，结合产品需求做创新应用；团队深度使用 AI 编程工具与 Agent 工作流，鼓励用 AI 重构研发流程本身。 7、积极参与团队技术讨论，协作解决技术难题，推动项目高质量、按期交付；团队所处方向变化快，愿意持续接触新问题、快速切入并推动落地。 岗位要求 1、硕士及以上学历，人工智能、计算机视觉、多模态学习或相关专业背景。 2、精通 Python 编程，熟练掌握 PyTorch 等深度学习框架，具备良好的代码风格与工程习惯；善用 AI 编程工具提升研发效率，并能对生成结果做出独立判断。 3、熟悉主流视觉与多模态算法，了解 Transformer、ViT、OCR、VLM 等模型的结构与训练技巧（预训练 / SFT / 数据构建与清洗）。 4、具备以下任一方向经验者优先：OCR 与文档解析、公式与手写识别、图像 / 文档翻译、多模态大模型训练与评测、Agent 与工具调用。 5、有 C++ 开发经验者优先；熟悉端侧 / 移动端推理部署与优化（量化、蒸馏、算子加速、NPU 适配等）者加分。 6、有相关顶会论文、开源项目或竞赛成绩者加分。 7、学习欲望强、钻研精神足，能快速理解并应用新技术；动手能力强，能在复杂约束下推进项目落地。 8、积极主动、责任心强，具备良好的沟通能力与团队协作精神。