混元多模态-音视频表征学习

课题背景： 随着多模态大模型的发展，多模态理解任务正逐步演进为对视频、语音、背景声及上下文等多源异构信息的统一建模。面向真实复杂场景，全模态表征已成为多模态智能领域的重要研究方向。 课题挑战： 本课题的主要挑战在于构建面向全模态音视频理解的编码器，从编码效率和表征维度上实现任意时长的音视频联合编码。 具体工作： 参与全模态表征学习的研究，编码器架构的设计，完善编码器的数据生产和性能评测。

1. 01

   来自计算机科学、人工智能、电子信息、信号处理等相关专业的博士/硕士同学，具备扎实的机器学习理论基础，有多模态方向研究经验者优先。

2. 02

   精通 PyTorch 框架与 Python 编程；深度掌握 Transformer 架构及主流图像和音视频表征模型（如 CLIP，SigLIP，Perception Encoder，RAE，AutoEncoder、VAE等） 原理；熟悉图像和音视频自监督算法及 DeepSpeed/Megatron 分布式训练工具。

3. 03

   具备较强的问题分解与独立研究能力；能在模糊问题定义上给出清晰的拆解思路和方法。