【岗位职责】 1. 多模态模型应用与评测 ● 调研并接入主流的多模态基座模型（如 GPT-5, Gemini 3 Pro, Qwen-VL 等）。 ● 针对“动作分析”场景，对比不同基座模型在细粒度动作识别（如：挥拍时机是否滞后）上的表现，输出评测报告。 2. 视频 Prompt Engineering (提示词工程) ● 设计专门针对动态视频的 Prompt 策略（如 Chain-of-Thought, Few-shot Prompting）。 ● 探索如何通过文字描述教大模型输出所需的分析结果。 3. 视频数据处理与上下文优化 ● 解决大模型处理视频的Context Window（上下文窗口）限制问题。设计合理的抽帧策略（关键帧提取）或时序压缩方案，在保留动作细节的前提下减少Token消耗。 ● 建设“视频-专家建议”的黄金测试集（Golden Set），用于自动化评估大模型的输出质量。 4. 快速 Demo 搭建 ● 使用 Streamlit / Gradio 搭建交互式原型：上传一段训练视频，模型直接输出“动作评分+错误点解析+改进建议”。 ● 针对模型产生的“幻觉”（如胡乱点评），设计处理或校验机制进行修正。 【岗位要求】 1. 基本要求 ● 计算机、人工智能或相关专业，硕士及以上学历在读。 ● 每周出勤4天以上，实习周期3个月以上。 2. 核心能力（侧重 VLM 理解） ● 熟练玩转大模型：熟悉 HuggingFace 生态，有调用 OpenAI/Google Gemini API 或本地部署开源 VLM（如 Qwen-VL）的实际经验。 ● Prompt Engineering：深刻理解如何通过提示词引导模型关注视频细节，了解 CoT（思维链）在多模态场景下的应用。 ● Python 工程能力：熟练使用 Python 进行 API 封装、数据处理和 Demo 开发（Streamlit/Gradio）。 3. 视频理解基础 ● 理解视频在模型中是如何被表示的（Tokenization, Embeddings）。 ● 了解基础的视频处理工具（FFmpeg, OpenCV），能进行基本的视频剪裁和抽帧操作。 4. 加分项 ● 传统 CV 经验：了解 Pose Estimation（姿态估计）原理，能作为辅助手段验证大模型的准确性。 ● 体育迷：能分辨什么是“标准动作”，对模型输出的建议有直观的判断力。 ● Agent 开发：了解如何利用大模型构建Agent