【工作职责】 本岗位致力于构建大模型的 感官 核心，定义小红书下一代多模态智能基座。小红书拥有业界最独特的图文与短视频 UGC 数据生态，是多模态模型落地最肥沃的土壤。你将负责 VLM 的 Post-training（SFT/RL） 与 架构演进，让模型不仅能 看见 ，更能 洞察 与 推理 ，深度赋能搜索、广告、推荐、电商、智能创作等全链路业务场景。 你的工作内容： 1. 多模态推理与强化学习 (VLM Reasoning & RL)： 探索视觉场景下的 Long-thought 推理范式，利用强化学习等技术提升模型在复杂视觉空间、数学、逻辑及长视频序列下的深度推理能力，实现 边看边思考 。 2. 极致指令遵循与对齐： 负责 VLM 的 SFT 与 RL 流程，针对小红书复杂图文/视频语义，优化多模态对齐质量，解决模型幻觉问题，提升指令遵循的鲁棒性。 3. 超长视频与复杂序列理解： 针对海量视频场景，研发高效的长视频编码与时空注意力机制，优化多帧推理效率，挖掘短视频及直播流中的深层交互语义。 4. 多模态Agent： 研发具备视觉反馈与自我修正能力的智能体技术，利用 VLM 驱动复杂工具链调用，探索 VLM 在自动化创作与交互式电商中的应用。 【任职要求】 1. 深厚的学术背景： 计算机、人工智能、视觉、机器人等相关专业硕士/博士；对主流 VLM 架构（如 LLaVA, Qwen-VL, InternVL）有底层深入理解。 2. 卓越的实战经验： 在 MLLM 推理优化、视觉对齐、视频语义理解 或 大规模预训练 领域有深入研究或成功落地经验。 3. 硬核的工程能力： 精通 PyTorch，熟悉 Megatron-LM、DeepSpeed 等分布式训练框架，能够处理百亿/千亿级参数模型在大规模集群上的高效训练。 4. 数据洞察力： 对高质量多模态数据的构建、清洗及 Automated Data Mixing 策略有独特见解，能从海量无序数据中提炼知识。 5. 卓越的评测与诊断能力： 熟悉主流多模态评测集，能够针对业务痛点构建垂直领域的 Benchmark；具备深度的模型表现诊断能力，能通过评测结果反向驱动数据混合（Data Mixing）与算法优化。 加分项： 在 CVPR, ICCV, NeurIPS, ICML, ICLR 等顶会发表过高影响力论文，或在知名开源多模态项目中有核心贡献。