腾讯
校招混元多模态-图音视频理解技术研究
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 学历和专业要求：来自计算机、人工智能、自动化等相关专业的博士/优秀硕士同学。
- 技术技能要求：扎实的深度学习基础，熟练掌握PyTorch、transformers、verl、Megatron、ms-swift等主流框架；熟悉主流多模态大模型的结构与预训练后训练方法，有相关实践经验和相关top论文。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：多模态大模型正向着原生图音视频融合方向演进。本课题旨在提升腾讯混元大模型对复杂视频、长音视频、复杂图片、多图以及图文交错等场景的深度理解能力，为下一代原生多模态大模型奠定算法基础。
课题挑战：1. 跨模态对齐与联合建模：高分辨率高帧率视频、音频、文本的细粒度跨模态对齐与联合建模；2. 幻觉控制与长上下文建模：在超长视频或音频流中保持理解的准确性，降低模型幻觉，突破现有架构的上下文长度瓶颈；3. Agentic探索：原生多模态单模型存在先天短板，通过Agentic弥补短板实现综合提升；4. 理解生成一体化下的理解任务，探索生成如何帮助理解
具体工作：面向生图生视频场景，研究如何提升多模态大模型的图音视频的理解能力，为图音视频提供全面准确的caption描述，工作包括后训练、强化、架构设计优化、数据管线搭建等。
【任职要求】
学历和专业要求：来自计算机、人工智能、自动化等相关专业的博士/优秀硕士同学。
技术技能要求：扎实的深度学习基础，熟练掌握PyTorch、transformers、verl、Megatron、ms-swift等主流框架；熟悉主流多模态大模型的结构与预训练后训练方法，有相关实践经验和相关top论文。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【技术方向】
多模态、视觉、语音
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 运营 岗位的常见面试问题整理
我提到了电竞方面，另一个面试官就问我对于ig战队（lol）的看法，然后一道情景题：公司和ig方面有合作，怎样运营才能吸引ig粉丝使用我们产品
查看答题思路
1. 电竞营销=粉丝经济，核心是社区运营而非传统广告 2. 跨界合作：战队/选手/IP 联名，借粉丝流量 3. 内容策略：比赛直播/选手日常/粉丝二创/社区活动 4. 案例：用 STAR 讲一个电竞相关的运营策划
另一个面试官看我的专业（偏设计）就问我愿不愿意做产品设计方向，让我发作品集 大概就这些 #咪咕#<a href="/creation/subject/928d551be73f40db82c0ed83286c8783" target="_blank" class="s
查看答题思路
1. 核心概念：一句话说清这个问题的底层逻辑 2. 方法论/框架：用 STAR 原则或专业框架结构化回答 3. 实际案例：结合一个具体场景说明 4. 量化结果：用数据佐证你的观点
你认为内容运营需要具备哪些能力
查看答题思路
1. 内容运营=创作有价值的内容→分发到正确渠道→吸引目标用户→促成转化 2. 核心能力：选题能力（知道用户想看什么）、写作能力、数据分析能力（用数据迭代内容策略） 3. 生命周期：选题→创作→审核→发布→分发→数据回收→优化→二次传播 4. 优质内容标准：原创/有用/有趣/有共鸣/有行动引导
谈谈你理解的内容生命周期
查看答题思路
1. 真诚：为什么对这个方向感兴趣（具体经历/瞬间） 2. 匹配：你的能力和这个岗位的契合点 3. 成长：你希望从这个岗位学到什么 4. 贡献：你能为团队带来什么
自我介绍
查看答题思路
1. 我是谁（姓名+学校+专业，15秒） 2. 我做过什么（最相关的 1-2 个经历，30秒） 3. 为什么适合这个岗位（能力匹配，15秒） 4. 总时长控制在 1 分钟以内 5. 避免：念简历、说「我学习能力强」这种空话
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。