VLM 算法实习生-多模态 Caption 与强化学习对齐
职位描述
1、VLM 精细化 Caption 能力优化： 负责大规模多模态模型（VLM）的描述生成能力进化。构建高精度视觉描述 Pipeline，重点提升模型对空间几何关系、多目标交互及复杂场景细节的感知精度，解决 VLM 在生成长描述时的“视觉幻觉”问题；
2、视觉-语言偏好对齐 (VLM + RL)： 应用 RLHF/DPO 或 PPO 技术，针对视觉描述质量构建 Reward Model。通过自动化对齐技术（AI-as-Judge）或专家反馈，训练模型在受限约束下探索最优描述策略，确保输出符合高标准的严谨性与信息密度。任职要求
1、专业背景：计算机、计算机视觉、人工智能相关专业本科及以上学历。
2、算法深度：深度理解 VLM 架构（如 Clip-vit, MoE-VLM 等）及 强化学习（RL） 训练机制；有 Reward Model 设计与偏好对齐实战经验者优先。
3、工程能力：精通 PyTorch，具备构建大规模图像-文本数据处理 Pipeline 的经验，熟悉多模态模型高效微调技术。
4、实战经验：在 Image/Video Captioning 或多模态 Agent 领域有深入研究，对提升描述准确性与抑制幻觉有成熟的技术路线。
5、学术背书：在 CVPR/ICCV/NeurIPS/ICLR 等顶级会议发表过相关论文者优先。
你将获得
挑战感知极限：利用 RL 闭环解决 VLM 最核心的语义对齐难题，打造具备“专家级”观察力的多模态模型。
