职位描述1、研发多模态理解模型：视觉-语言对齐、视频理解、场景语义/事件理解、指代消解； 2、攻关应用场景难点：开放世界泛化、长尾物体、复杂指代（那个/旁边/刚才）； 3、输出结构化语义表示：对象/属性/关系/事件/可操作性（affordance）等，便于规划调用； 4、建立评测与数据策略：线上失败归因、难例回流、版本对比与回归测试； 5、与Agent/规划/VLN协同，围绕任务成功率与稳定性闭环优化；任职要求1、熟悉 Transformer 基础与多模态基本范式（对齐、融合、token/embedding、评测）； 2、图文检索、grounding、VQA、视频理解、指代表达理解等任一方向科研背景； 3、能使用 PyTorch 复现 VLM/Video Understanding 相关工作，具备数据处理与训练经验； 加分项 - 具身语义/导航语义理解经验； - 数据合成、自动标注、弱监督经验； - 顶会论文/专利/高质量开源复现或贡献。
