【工作职责】 岗位定位： 本岗位侧重于构建大模型的 视觉与感知 能力。小红书拥有业界最独特的图文与短视频 UGC 数据生态，你将负责 VLM 的 Post-training，让模型深度理解，支撑小红书所有业务场景，包括且不限于搜索、广告、推荐、电商、客服及智能发布等核心场景。 你的工作内容： 多模态对齐与指令遵循： 负责 VLM 的 SFT 与 RL 流程，优化图文/视频与文本的语义对齐，提升模型在复杂多模态指令下的表现。 VLM Reasoning： 探索视觉场景下的逻辑推理能力（如视觉、复杂视频序列理解），让 VLM 具备 边看边思考 的能力。 多模态 Agent： 研发具备视觉反馈的智能体技术，利用 VLM 驱动复杂工具调用。 视频理解与长文本视觉： 针对小红书海量视频场景，优化长视频理解能力及多帧推理效率，挖掘视频数据的深层语义。 【任职要求】 我们希望你具备： 背景： 计算机、视觉、机器人等相关专业硕士/博士；熟悉主流 VLM 架构（如 LLaVA, Qwen-VL, InternVL 等）。 专业深耕： 在 计算机视觉（CV）、多模态学习 或 视频理解 领域有深入研究。 工程能力： 精通 PyTorch，熟悉多模态模型的数据预处理流水线及大规模多机多卡训练。 加分项：在 CVPR, ICCV, ECCV, NeurIPS 等顶会发表过视觉或多模态相关高质量论文。