多模态理解与生成统一科研实习生

调研并整理音频智能、音视频多模态大模型、统一理解与生成模型等方向的前沿论文和开源项目，跟踪领域最新研究进展。

复现典型音视频多模态模型及相关方法，完成模型环境搭建、基础实验运行、性能测试和结果分析。

参与多模态数据处理工作，包括音频、视频、文本等数据的清洗、整理、标注和训练数据构建，为模型训练与评测提供支持。

参与多模态理解与生成统一建模研究，探索语音、声音、音乐等不同音频模态在理解、生成和编辑任务中的统一表示方法。

协助开展音频—视频跨模态建模实验，分析不同模态之间的信息交互机制，探索音视频通用智能模型的构建方法。 参与实验设计、结果分析和技术文档整理，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、电子信息、数学、统计学等相关专业背景优先。

具备 Python 编程基础，了解机器学习、深度学习和大语言模型基本方法。

对以下方向具有研究兴趣：多模态大模型（Multimodal LLM）；音频理解与生成；语音、音乐智能；音视频跨模态学习；通用人工智能。

能够阅读英文技术论文和相关资料，具备基础实验复现、数据处理和结果分析能力。

有以下经历者优先：多模态模型、语音模型、音频生成模型相关项目；大模型微调、模型评测或开源项目复现经验；PyTorch、音频处理工具或深度学习框架使用经验。

具备较强的学习能力和探索意识，能够主动跟进音频智能和多模态人工智能领域最新研究进展。

对下一代音视频通用智能模型、统一多模态建模和人工智能基础模型研究具有持续兴趣，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。