返回岗位列表

多模态大模型算法实习生-泛OCR方向

查看原岗位

地点：北京薪资：400-500元/天日期：2026-05-22

岗位摘要

跟踪学术界与工业界最新发布的文档解析、图表理解（Chart、diagram等）、STEM相关图像理解等工作，定期进行总结分享；深入理解OCR评估体系（如NED、CDM、TEDS等指标），参与评测基准的构建与维护，设计更贴近用户体感的OCR评测方案

岗位职责

跟踪学术界与工业界最新发布的文档解析、图表理解（Chart、diagram等）、STEM相关图像理解等工作，定期进行总结分享
深入理解OCR评估体系（如NED、CDM、TEDS等指标），参与评测基准的构建与维护，设计更贴近用户体感的OCR评测方案
调研并分析经典文档图像/图表合成方法，参与设计与开发高效的数据合成pipeline，覆盖各泛OCR子任务
调研基于LaTeX/HTML/Markdown的文档页渲染方法，参与搭建并优化相关pipeline与工程实现
探索适合泛OCR任务的数据增强技术，包括几何变换、噪声注入等，并在实际数据上应用
探索并设计/优化适合OCR任务的VLM训练算法/模型结构
探索搭建泛OCR领域的数据飞轮，寻求数据-模型协同进化的训练策略

任职要求

研究生在读，计算机/人工智能/模式识别相关专业优先
熟练掌握Python编程，熟悉OpenCV、PIL等图像处理库
熟练掌握Pytorch等深度学习训练框架，同时熟练掌握Transformer/Megatron等大模型训练框架
深入理解多模态大模型（VLM）基础原理，对泛OCR相关任务有一定基础认知
具备文档图像处理经验，了解传统文本检测（DB、EAST等）、传统文本识别（CTC等）、表格识别等经典OCR方法者优先
熟悉最新OCR相关工作（如DeepSeekOCR2、MinerU2.5、PaddleOCR-VL等）者优先
具备泛OCR数据合成、LaTeX/HTML/Markdown渲染工程经验者优先
具备利用大模型工具快速学习新技术的能力，能独立阅读前沿论文并获取关键insight
有大规模数据处理、分布式训练经验者优先
良好的沟通能力和团队合作精神，能够与算法、工程团队密切协作

福利待遇

日薪400-500元，具有竞争力的实习薪酬
参与前沿多模态大模型研究，积累丰富的技术经验
与专业的算法、工程团队协作，提供良好的学习成长环境
实习周期6个月以上，保障项目的连续性与深度研究机会

工作地址

北京海淀区大恒科技大厦12F