主分类：计算机视觉与图像感知算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "多模态大模型视频理解算法研发工程师（J89977）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "应用模型研发部",
"location": "北京市,上海市,深圳市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "-教育背景： 计算机科学、人工智能、电子信息、自动化或相关领域的硕士或博士学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-前沿算法研发： 负责多模态大模型在视频理解方向的算法研究与开发，紧跟CVPR, ICCV, NeurIPS等顶会的最新进展，探索和实现世界领先的（SOTA）视频理解模型。\n-核心任务攻关： 聚焦于一项或多项核心视频理解任务，包括但不限于：\n视频问答 (Video QA) & 对话： 实现模型对视频内容的深度推理和对话能力。\n视频描述/摘要生成 (Video Captioning/Summarization)： 让模型能用自然语言精准描述或概括视频内容。\n时序行为定位与识别 (Temporal Action Localization & Recognition)： 精准识别视频中人物的行为及其发生的时间段。\n视频主题/事件检测 (Video Topic/Event Detection)： 对长视频进行结构化分析，理解其核心主题与关键事件。\n-大规模数据构建： 负责视频理解所需的大规模、高质量多模态数据集的构建，包括数据采集、清洗、标注和管理策略的制定与执行。\n-大规模训练： 负责视频理解大模型的分布式训练、微调和性能优化，解决训练过程中的效率和收敛性挑战。\n-技术落地与创新： 与业务团队紧密合作，推动算法在产品中的实际应用与效果验证，并从中提炼出新的算法迭代方向。",
"requirements_text": "-教育背景： 计算机科学、人工智能、电子信息、自动化或相关领域的硕士或博士学历。\n-专业经验：\n具备扎实的机器学习、深度学习理论基础，对Transformer、ViT、CNN、RNN等模型有深入理解。\n精通Python编程，并熟练掌握至少一种主流深度学习框架。\n在以下至少一个领域有深入的研究或项目经验：\n视频理解 (Video Understanding)： 如行为识别、视频分类、时序定位等。\n多模态学习 (Multimodal Learning)： 熟悉CLIP、ALIGN等多模态预训练模型，了解跨模态融合、对齐等技术。\n大语言模型 (LLM) / 视觉语言模型 (VLM)： 有LLM或VLM的微调、开发经验。\n-科研能力： 在CVPR, ICCV, ECCV, NeurIPS, ICLR, AAAI等顶级人工智能会议/期刊上发表过相关论文者优先。\n-工程能力： 具备处理大规模数据集的经验，熟悉Linux开发环境和Git等协作工具。\n-综合素质： 具备优秀的分析和解决问题的能力，良好的沟通能力和团队合作精神，对前沿技术有强烈的热情和探索欲。",
"skills": [AI生成
"Python",
"Linux",
"机器学习",
"深度学习",
"团队协作",
"沟通能力",
"解决问题",
"大语言模型"
],
"preferred_qualifications": "科研能力： 在CVPR, ICCV, ECCV, NeurIPS, ICLR, AAAI等顶级人工智能会议/期刊上发表过相关论文者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/be154a75-ff0a-4a3f-9652-b9ff027932be"
}
]
},
"posting": {
"posting_id": "be154a75-ff0a-4a3f-9652-b9ff027932be",
"post_date": "2025-07-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/be154a75-ff0a-4a3f-9652-b9ff027932be"
},
"fulltext": "多模态大模型视频理解算法研发工程师（J89977）\n多模态大模型视频理解算法研发工程师（J89977）\n\n基础信息\n部门：应用模型研发部\n地点：北京市,上海市,深圳市\n类别：技术\n招聘人数：2\n发布时间：2026-07-21\n\n工作职责\n-前沿算法研发： 负责多模态大模型在视频理解方向的算法研究与开发，紧跟CVPR, ICCV, NeurIPS等顶会的最新进展，探索和实现世界领先的（SOTA）视频理解模型。\n-核心任务攻关： 聚焦于一项或多项核心视频理解任务，包括但不限于：\n视频问答 (Video QA) & 对话： 实现模型对视频内容的深度推理和对话能力。\n视频描述/摘要生成 (Video Captioning/Summarization)： 让模型能用自然语言精准描述或概括视频内容。\n时序行为定位与识别 (Temporal Action Localization & Recognition)： 精准识别视频中人物的行为及其发生的时间段。\n视频主题/事件检测 (Video Topic/Event Detection)： 对长视频进行结构化分析，理解其核心主题与关键事件。\n-大规模数据构建： 负责视频理解所需的大规模、高质量多模态数据集的构建，包括数据采集、清洗、标注和管理策略的制定与执行。\n-大规模训练： 负责视频理解大模型的分布式训练、微调和性能优化，解决训练过程中的效率和收敛性挑战。\n-技术落地与创新： 与业务团队紧密合作，推动算法在产品中的实际应用与效果验证，并从中提炼出新的算法迭代方向。\n\n职责要求\n-教育背景： 计算机科学、人工智能、电子信息、自动化或相关领域的硕士或博士学历。\n-专业经验：\n具备扎实的机器学习、深度学习理论基础，对Transformer、ViT、CNN、RNN等模型有深入理解。\n精通Python编程，并熟练掌握至少一种主流深度学习框架。\n在以下至少一个领域有深入的研究或项目经验：\n视频理解 (Video Understanding)： 如行为识别、视频分类、时序定位等。\n多模态学习 (Multimodal Learning)： 熟悉CLIP、ALIGN等多模态预训练模型，了解跨模态融合、对齐等技术。\n大语言模型 (LLM) / 视觉语言模型 (VLM)： 有LLM或VLM的微调、开发经验。\n-科研能力： 在CVPR, ICCV, ECCV, NeurIPS, ICLR, AAAI等顶级人工智能会议/期刊上发表过相关论文者优先。\n-工程能力： 具备处理大规模数据集的经验，熟悉Linux开发环境和Git等协作工具。\n-综合素质： 具备优秀的分析和解决问题的能力，良好的沟通能力和团队合作精神，对前沿技术有强烈的热情和探索欲。\n-前沿算法研发： 负责多模态大模型在视频理解方向的算法研究与开发，紧跟CVPR, ICCV, NeurIPS等顶会的最新进展，探索和实现世界领先的（SOTA）视频理解模型。\n-核心任务攻关： 聚焦于一项或多项核心视频理解任务，包括但不限于：\n视频问答 (Video QA) & 对话： 实现模型对视频内容的深度推理和对话能力。\n视频描述/摘要生成 (Video Captioning/Summarization)： 让模型能用自然语言精准描述或概括视频内容。\n时序行为定位与识别 (Temporal Action Localization & Recognition)： 精准识别视频中人物的行为及其发生的时间段。\n视频主题/事件检测 (Video Topic/Event Detection)： 对长视频进行结构化分析，理解其核心主题与关键事件。\n-大规模数据构建： 负责视频理解所需的大规模、高质量多模态数据集的构建，包括数据采集、清洗、标注和管理策略的制定与执行。\n-大规模训练： 负责视频理解大模型的分布式训练、微调和性能优化，解决训练过程中的效率和收敛性挑战。\n-技术落地与创新： 与业务团队紧密合作，推动算法在产品中的实际应用与效果验证，并从中提炼出新的算法迭代方向。\n-教育背景： 计算机科学、人工智能、电子信息、自动化或相关领域的硕士或博士学历。\n-专业经验：\n具备扎实的机器学习、深度学习理论基础，对Transformer、ViT、CNN、RNN等模型有深入理解。\n精通Python编程，并熟练掌握至少一种主流深度学习框架。\n在以下至少一个领域有深入的研究或项目经验：\n视频理解 (Video Understanding)： 如行为识别、视频分类、时序定位等。\n多模态学习 (Multimodal Learning)： 熟悉CLIP、ALIGN等多模态预训练模型，了解跨模态融合、对齐等技术。\n大语言模型 (LLM) / 视觉语言模型 (VLM)： 有LLM或VLM的微调、开发经验。\n-科研能力： 在CVPR, ICCV, ECCV, NeurIPS, ICLR, AAAI等顶级人工智能会议/期刊上发表过相关论文者优先。\n-工程能力： 具备处理大规模数据集的经验，熟悉Linux开发环境和Git等协作工具。\n-综合素质： 具备优秀的分析和解决问题的能力，良好的沟通能力和团队合作精神，对前沿技术有强烈的热情和探索欲。",
"standard_classification": {
"std_category_code": "T034",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}