多模态 Agent 科研实习生

调研并整理多模态大模型、智能体（Agent）、音视频理解生成和多模态交互等方向的前沿论文与开源项目，跟踪领域最新研究进展。

复现并测试多模态 Agent 相关模型与系统，包括视觉—语言模型（VLM）、音频—语言模型（Audio-Language Model）、多模态推理框架和智能体工作流等，完成基础实验与性能分析。

参与音视频多模态 Agent 系统研发，探索智能体对语音、声音、音乐、视频等多源信息的统一理解、任务规划、工具调用和内容生成能力。

协助构建多模态交互任务流程，包括多模态数据处理、Agent 工具链设计、任务场景构建和模型评测体系搭建。

参与多模态智能体在真实应用场景中的探索，例如智能助手、音视频分析、实时交互、内容创作辅助等方向，分析模型能力边界并提出优化方案。

协助开展实验设计、数据分析、技术文档整理，参加课题组讨论并进行阶段性研究汇报。

招募对象：本科生、硕士研究生。

计算机、人工智能、软件工程、电子信息、数学、自动化等相关专业背景优先。

具备 Python 编程基础，了解机器学习、深度学习、大语言模型和多模态模型基本方法。

对以下方向具有研究兴趣：多模态大模型（Multimodal Large Language Model）；智能体系统（AI Agent）；音频—视觉—语言统一建模；多模态推理与任务规划；人机交互智能系统。

能够阅读英文论文和技术资料，具备基础代码复现、实验环境配置和结果分析能力。

有以下经历者优先：大语言模型、多模态模型或 Agent 开发经验；使用 PyTorch、Transformers、LangChain、Agent 框架等相关工具；语音、视觉、自然语言处理或音视频数据处理项目经验；开源项目、算法竞赛或模型复现经历。

具备较强的问题分析能力和学习能力，能够主动探索多模态智能体系统中的关键技术问题。

对下一代通用人工智能、音视频智能交互和多模态 Agent 技术具有持续兴趣，能够稳定投入科研时间。

实习安排：线下科研实习；周期3–6个月；每周投入20–30小时。