混元多模态-大模型数据挖掘与合成技术研究

课题背景：高质量数据已成为决定图片视频生成模型（如对标业界领先水平级别）与多模态大模型上限的核心壁垒。本课题致力于构建自动化、高精度的多模态数据挖掘与合成体系，解决大模型训练的数据瓶颈。 课题挑战：

1. 01

   自动化挖掘与标注：如何利用现有大模型，面向生图生视频、编辑、参考等生成任务，在无人干预的情况下实现海量图片视频数据的挖掘、标注与校验，进行高效的数据清洗、去重与分布优化。

2. 02

   数据合成：针对难获取数据、长尾数据等，通过数据合成技术实现数据的高效补充。

3. 03

   探索数据科学前沿，从以数据为中心的角度，定义新任务，并设计数据方案。

4. 04

   探索基于Agent的自动化、智能化数据管线。 具体工作：大模型数据挖掘与合成技术研究与数据管线搭建。

学历和专业要求：来自计算机、人工智能、数据科学、统计学等相关专业的博士/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等主流框架；熟悉大模型训练与数据处理流程，有相关实践经验和相关top论文，有分布式计算框架（如Ray）经验者优先。 此课题同时招聘应届实习生和低年级实习生。