返回岗位列表

多模态大模型算法实习生-OCR方向

查看原岗位

地点：北京薪资：400-410元/天日期：2026-03-03

岗位摘要

跟踪学术界与工业界OCR、文档理解、图表解析等领域最新进展，定期进行总结分享；深入理解OCR评估体系（NED、CDM、TEDS等指标），参与评测基准构建与维护；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OCR、文档理解、图表解析等领域最新进展，定期进行总结分享
深入理解OCR评估体系（NED、CDM、TEDS等指标），参与评测基准构建与维护
设计更贴近用户体感的OCR评测方案
调研经典文档图像合成方法（如SynthDoG），参与设计高效的数据合成pipeline
调研基于LaTeX/HTML/Markdown的文档页渲染方法，搭建并优化相关pipeline
探索适合OCR任务的数据增强技术并在实际数据上应用
探索并设计适合OCR任务的VLM训练算法与模型结构
探索并搭建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OCR相关任务有一定基础认知
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
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
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（DeepSeekOCR2、MinerU2.5、PaddleOCR-VL等）者优先
有OCR数据合成、LaTeX/HTML/Markdown渲染工程经验者优先
有大规模数据处理、分布式训练经验者优先

福利待遇

实习薪资400-410元/天
线下办公，工作地点位于北京市海淀区核心科技区域

工作地址

北京海淀区大恒科技大厦南座9层