视频生成算法研究员

1. 负责面向游戏场景的实时交互式视频生成模型研发，覆盖预训练、SFT 与 RL 后训练全流程。
2. 研究流式自回归生成技术，提升模型在长时交互中的稳定性与一致性。
3. 研究少步蒸馏与推理加速方法，在画质、运动表现与延迟之间取得最优平衡。
4. 提升模型的可控生成能力，精确响应相机、角色动作、场景等控制信号。
5. 搭建「数据—训练—评测」迭代闭环，依托千卡级 GPU 集群高效开展实验验证。

1. 计算机、人工智能、数学等相关专业，硕士及以上学历优先；具备突出项目、开源或竞赛成果者，学历不限。
2. 具备扎实的 Transformer 与扩散模型（diffusion / flow matching）基础；熟练使用 PyTorch，熟悉 FSDP2、Megatron-Core、DeepSpeed 等分布式训练框架。
3. 在以下至少一个方向具备实践经验：

• 视频、图像或多模态大模型的大规模预训练或后训练（涉及 DiT、MoE、原生多模态等架构）
• 自回归 / 流式视频生成（如 Self-Forcing++、LongLive、Resampling Forcing、MAGI-1）
• 扩散蒸馏与推理加速（如 DMD2、rCM、MeanFlow、稀疏注意力、FP8 / FP4 量化）
• 交互式视频生成（如动作 / 相机条件控制、键鼠交互、video-to-video）
• 生成模型 RL 后训练（如 Flow-GRPO、DanceGRPO、reward model 设计）

4. 具备独立设计实验与消融分析的能力，能够清晰地总结和表达实验结论。

加分项

• 参与过业界头部视频生成模型的训练与落地
• 在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、SIGGRAPH 等顶级会议发表过一作论文，或主导过有影响力的开源项目
• 具备游戏引擎、计算机图形学、神经渲染或 3D 视觉相关背景
• 具备 CUDA / Triton 算子开发经验
• 在 ACM-ICPC、NOI 等算法竞赛中获奖