腾讯
校招优图实验室—面向内容安全的多模态鉴伪大模型研究
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1、计算机科学、人工智能、模式识别等相关专业的博士及优秀硕士；具有目标检测、Grounding，MLLM等研究背景者优先；
- 2、熟悉VLM/MLLM前沿进展，熟悉 CLIP/InternVL等技术路径；精通 PyTorch，在 CVPR/ICLR/NeurIPS/ICCV等顶会有相关成果者优先；
- 3、对多模态理解技术有强烈研究热情，对技术有较强的好奇心，具备较好的研究能力；沟通协作能力强，逻辑性强，具备独立解决问题的能力。
岗位描述
【岗位职责】
课题背景：
随着 AIGC 与 DeepFake 技术快速迭代，数字内容伪造、证件篡改、人脸合成等安全问题日益突出。目前单模态判别方法难以应对高真实感伪造、跨域复杂场景与多类型攻击的泛化挑战。多模态大模型凭借强大的跨模态理解、细粒度语义感知与统一表征能力，为内容真伪鉴别提供了全新技术路径。本课题旨在探索多模态大模型在内容安全领域的深度应用，构建支持 AIGC检测、证件/文档 篡改检测等可信鉴伪技术，提升对恶意生成内容的理解、定位与溯源能力。
课题挑战：
- 1、细粒度理解感知： 基于多模态大模型，挖掘 生成内容、篡改内容 在纹理细节、物理成像等细微差异，实现对微弱伪造痕迹的感知；
- 2、视觉推理能力构建：赋予鉴伪大模型视觉推理能力，能够结合例如 版式规则、生理结构等对复杂伪造内容进行可信的逻辑推理与判断；
- 3、生成检测统一框架构建： 将AIGC生成机制与鉴伪检测逻辑深度融合，利用生成模型的内在特性反哺检测理解任务，实现对AIGC生成内容的高效检测；
- 4、Agent 工具调用： 引入Agent的自主决策、反思与工具调用能力，实现鉴伪任务的智能化调度，自主判断检测场景、选择鉴伪策略、二次验证等，提升复杂场景下鉴伪任务的自动化与准确性；
- 5、未知攻击防御与高效应对：面对不断迭代的新型伪造技术，建立MLLM驱动的异常模式挖掘等能力，提升模型的泛化能力；以及构建动态更新的伪造特征知识图谱与自适应检测机制，实现对未知伪造模式的快速识别与响应。
具体工作：
你将参与面向内容安全的多模态鉴伪大模型系统的研发，围绕细粒度感知、视觉推理、工具调用、智能体开发等方向展开研究，推动模型在人脸核身、证件鉴伪、AIGC检测等真实业务场景中的落地。
【任职要求】
- 1、计算机科学、人工智能、模式识别等相关专业的博士及优秀硕士；具有目标检测、Grounding，MLLM等研究背景者优先；
- 2、熟悉VLM/MLLM前沿进展，熟悉 CLIP/InternVL等技术路径；精通 PyTorch，在 CVPR/ICLR/NeurIPS/ICCV等顶会有相关成果者优先；
- 3、对多模态理解技术有强烈研究热情，对技术有较强的好奇心，具备较好的研究能力；沟通协作能力强，逻辑性强，具备独立解决问题的能力。
【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 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
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。