课题背景：课题背景 作为连接内生态的桥梁，微信搜索在大模型发展的路径上除了通过语义连接文本内容，还需要让模型理解内生态中的各种多模态内容。在海量图片、视频加持下，为 AI 注入看懂世界的能力，能够提升 AI 搜索内容的准确性和丰富度。在这里，你将会遇到多模态领域的最本质的问题，处理海量且带有噪声的真实多模态数据，充分利用微信内生态各种资源、工具，设计高效原生的数据管线，探索全面且覆盖真实搜索场景的多模态评估基准，跨越数据、评估、训练的全链路。 课题挑战： 视觉编码器与 VLM 架构的高效训练是多模态理解的挑战之一。在Vision Encoder 的选型与再训练面临着 CLIP/SigLIP等的适配、Native Resolution/Patch-npack 的取舍。另外在训练阶段还需解决在大 batch、大分辨率下的 loss spike、模态坍塌、语言能力退化等现象的诊断与缓解。 评估是引导模型迭代的重中之重。结合搜索的多模态评测不能局限于公开 benchmark，需要独立地针对任务设计人工评测、自动评测流程。此外，需要构建覆盖幻觉 (Hallucination)、空间推理 (Spatial Reasoning)、细粒度识别 (Fine-grained)、OCR、图表理解 (Chart/Doc)、多图/长视频、意图理解、Agent 交互等维度的分层评测。 引入外部工具 (搜索、code-interpreter等） 是提升多模态能力上限的重要路径，但也会带来副作用。比如能力偏置 (Capability Shift)问题会导致模型过度依赖工具会削弱模型的原生视觉能力 (grounding、counting、reading)。因此需要研究跨模态信号分配、工具加持下多模态模型训练推理一致性和工具调用的鲁棒性。 多模态模型对数据配方 (Data Recipe) 极其敏感。挑战包括：图文数据跨任务的混合策略，在多模态模型训练中对模型能力的影响较大。调配不同任务数据在模型各训练阶段中的配比，才能使模型发挥出需要的关键能力。 具体工作： 负责多模态模型的迭代。探索视觉编码器和 VLM 结构的高效训练、评测方式。针对微信搜索场景的多模态理解需求，持续验证和迭代训练算法（包括 SFT/RL/OPD 算法）。 负责多模态模型训练数据的合成预筛选。从头定义图文数据的采集方式、质量标准、筛选逻辑。从丰富的内生态资源中，构建稳定、扎实、高效的自动化合成、清洗的数据管线。在数据侧稳步提升模型的多模态基础能力。 搭建针对微信搜索 Agent 领域的定制化多模态评估基准，定位模型短板，针对性优化模型在多模理解上的不足，并持续回流训练数据建设流程，指引模型迭代。

课题要求：面向计算机科学、人工智能、机器学习、应用数学等相关专业的硕士或博士同学；在顶级学术会议（如ICML, ICLR, NeurIPS, COLM, CVPR等）有相关论文发表经验者优先。 深入理解主流视觉编码器（如 CLIP, SigLIP 等）的模型结构，熟悉其训练与评测方法。 熟悉主流多模态模型的架构，熟悉主流多模态模型架构：LLaVA 系列、Qwen-VL / Qwen2-VL / Qwen2.5-VL、InternVL 系列、Kimi-VL、DeepSeek-VL、Molmo、Pixtral、Gemini、GPT-4o / GPT-4V、Claude 3.5 Sonnet、以及原生多模态 (Emu3 / Show-o / Janus) 的结构差异与工程实现。 大规模多模态预训练或后训练实战经验：至少完整落地过一个阶段 (Pretrain / Mid-Train / SFT / RL / OPD)，理解模态融合、位置编码 (M-RoPE / 2D-RoPE)、AnyRes、Native Resolution、Token Compression 等关键技术。 极强的数据直觉：具备大规模图文/视频数据 清洗、质量标注、去重、合成、混合配比 的实战经验，能从数据分布中一眼识别问题，有大规模图文/视频数据清洗、质量标注及数据合成的实战经验。具备一定的工程代码能力。