某视觉AI Startup招聘Multimodal Research Scientist（sponsor)

某视觉AI Startup招聘Multimodal Research Scientist
地点：湾区（美国只能在湾区），relocate可以在温哥华，
签证：OPT可以抽签，Sponsor H1b transfer & Perm，O1
年包：预算有限，Cash年包最多在19万刀，加一些期权
微信联系：miaomiaomiao3210

职责
•参与多模态模型、视觉模型、语言模型的训练、微调、评测与迭代。
•负责多模态训练数据pipeline 建设，包括图像、视频、文本数据的收集、清洗、过滤、标注、质量评估与数据构建。
•参与视觉语言模型（VLM）、视频理解/生成模型、视觉生成模型、世界模型等方向的研发与实验。
•负责模型训练与评测流程搭建，包括数据处理、训练配置、实验管理、benchmark 评测、结果分析与模型迭代。
•参与大规模图文、视频数据的清洗、对齐与构建，提升模型在视觉理解、空间推理、长视频理解和多模态任务泛化上的能力。
•跟踪并复现多模态、视觉生成、视频模型、世界模型等前沿工作，推动研究成果落地到公司核心模型能力中。

能力要求
•有模型训练经验：参与过 LLM、VLM、多模态模型、视觉模型、视频模型中至少一种的训练、微调、评测或数据构建工作。
•有数据清洗经验：做过大规模图文、视频或文本语料的清洗、过滤、对齐、质量评估者优先。
•工程能力强：熟练使用 Python / PyTorch，能独立完成数据处理、训练、推理、评测与实验分析。
•理解多模态模型方向：熟悉视觉语言模型、图文对齐、视频建模、视觉生成、世界模型等一个或多个方向。
•学习能力强、基础扎实：硕士及以上学历优先；AI / CS / 数学/ 物理 / 计算机视觉等相关背景优先。
•对 AI 有强烈信念：相信多模态与世界模型是通往更通用智能的重要路径，愿意在早期、高速迭代的环境中快速学习和交付。

加分项
•训练或微调过 LLM / VLM / Diffusion Model / Video Model。
•做过大规模图文数据、视频数据或多模态数据的清洗与构建。
•熟悉HuggingFace、DeepSpeed、FSDP、vLLM、SGLang、Ray、LLaMA-Factory 等训练或推理框架。
•有 multimodal learning、vision-language model、world model、video understanding / generation 等相关研究或工程经验。
•有顶会论文、开源项目、竞赛奖项，或从 0 到 1 搭建模型/数据/训练pipeline 的经验。