可画
AI Research Scientist 大模型研究科学家
AI Research Scientist 大模型研究科学家
发布于 4 个月前普通员工/个人贡献者
全职员工仅现场办公研究与开发 (研发)
研究与开发 (研发)
Megatron
多模态生成
扩散模型
自回归模型
计算机视觉
DeepSpeed
diffusers
Gpu并行训练
PyTorch
值不值得投
73综合评分
综合评分 73
可画AI研究科学家，前沿多模态生成模型，极强发展性，但工作地点固定且可能高强度。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
5.5万
比研究与开发 (研发)中位数高
发布情况
长期在招 · 110 天前发布
公司情况
公司还在招多个职位
6 个在招 · 其中研究与开发 (研发) 3 个
市场机会
选择面较广
北京 · 研究与开发 (研发) · 约 1050 个在招
职位详情
关于这个职位
作为可画（Canva）的AI研究科学家，你将专注于前沿多模态生成模型的研究与开发，涵盖文本到图像/视频/3D的扩散模型与自回归模型
你将利用高端GPU集群进行大规模预训练，并推动研究成果落地到全球数亿用户的产品中
该岗位面向社招、应届和实习生开放，工作地点在北京
最低要求
在基于内部研究和外部进展（如新兴趋势、技术和开放挑战）的基础上，有丰富的开发、训练和迭代基础性大规模文本到图像/视频/3D生成模型（扩散模型或自回归模型）的经验
强大的学术和专业背景，包括在CVPR/ICCV/ECCV/NeurIPS/ICML/ICLR等顶级会议上发表同行评审论文，以及开源贡献
在数百个GPU上进行大规模并行模型预训练的丰富经验
熟练掌握Python、PyTorch、Diffusers、Transformers、Megatron、DeepSpeed以及云计算平台，确保高效的模型训练和部署
能够通过文档和跨团队协作在内部分享知识，并适时通过研究论文或演讲在外部分享
好奇心！始终关注AI文献、竞争对手和新兴技术，保持行业前沿
工作职责
研究方向：确定并领导与前沿多模态AI研究和产品目标一致的研究计划
研究与实验：设计并运行实验，在高端GPU上验证假设
分析：解释实验结果，并将其转化为可操作的见解
模型创新：创建新颖的生成模型架构、训练方法论、强化学习算法、新颖的合成数据生成管道
AI 洞察
优缺点分析
优点
- 可画是全球领先的设计平台，AI产品影响力大，研究成果能快速触达数亿用户
- 工作涉及最前沿的多模态生成技术，提供高端GPU资源和顶级研究环境
- 团队氛围开放，鼓励发表论文和参与学术社区，有助于个人学术声誉提升
- 多模态生成模型研究竞争激烈，需要持续跟踪最新文献并快速迭代
- 大规模模型训练对工程能力要求高，需要处理分布式训练中的各种问题
- 适合热爱前沿AI研究、具备扎实的深度学习基础、渴望将研究成果落地于大规模产品的资深研究人员或应届博士
缺点 / 挑战
- 研究到产品的转化需要平衡创新性与实用性，可能面临时间压力
角色解读
- 从研究科学家成长为领域专家或研究团队负责人
- 探索更前沿的AI方向，如多模态理解与生成融合
- 将研究成果转化为可观的商业价值，推动产品创新
- 领导前沿多模态AI研究计划，确定研究方向并推动技术突破
- 设计并运行实验，在高端GPU集群上验证新想法和新模型
- 分析实验结果，将研究转化为产品落地的具体方案
- 创新生成模型架构和训练方法，优化模型性能
- 精通PyTorch、Diffusers、Transformers等框架，熟悉分布式训练工具如Megatron和DeepSpeed
- 深入理解扩散模型和自回归模型，有大规模预训练经验
- 强大的学术背景，包括顶级会议论文和开源项目贡献
- 优秀的技术文档撰写和跨团队协作能力
申请策略
- 在申请信中表达对可画产品方向的理解，以及如何将AI研究与产品结合
- 提前了解可画在AI领域的公开成果（如Canva AI功能），并在面试中展示相关思考
- 突出在顶级会议（如CVPR、ICCV、NeurIPS等）发表的论文，并说明个人贡献
- 详细描述大规模模型训练经验，包括使用的GPU数量、数据规模、训练框架及优化技巧
- 强调开源项目贡献或GitHub代码库，展示技术实现能力
- 如果有实习或工作经历中涉及多模态生成模型的落地案例，务必详细描述
- 补充分布式训练框架如Megatron和DeepSpeed的实战经验，可以通过小规模实验快速上手
- 熟悉当前主流的扩散模型和自回归模型代码库，尝试复现经典论文
面试指南
- 用STAR法则（情境、任务、行动、结果）结构化地介绍研究项目，突出个人贡献和结果
- 比较不同技术方案时，从理论、实践、性能等维度分析，展示系统性思考
- 涉及大规模实验时，强调资源规划、并行策略、消融实验和错误分析
- 请详细介绍你的一个多模态生成模型研究项目，包括动机、方法、结果和遇到的挑战
- 谈谈你对扩散模型和自回归模型优缺点的理解，以及它们各自的适用场景
- 如何设计一次大规模训练实验来验证一个新的模型架构？请从数据、模型、训练策略等方面说明
- 你如何看待当前多模态生成领域的开放挑战？未来可能的发展方向是什么？
- 如何将前沿研究快速转化为可用的产品功能？请举例说明
职位点评
薪资福利75
成长发展95
工作生活40
使命价值70
薪资福利
75中等
该职位薪资水平较高，可画为上市公司，福利完善，但JD未明确提及具体薪资和福利，因此补偿性动机满足程度良好。
薪资信号未披露（AI估算：4–7万/月）
成长发展
95较高
该职位处于AI研究最前沿，使用高端GPU和先进技术，鼓励发表论文和跨团队协作，发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈多模态生成、扩散模型、自回归模型、GPU并行训练、PyTorch
成长机会peer-reviewed publications、open-source contributions、cross-team collaborations、research papers or talks
业务类型ambiguous
工作生活
40较低
工作地点在北京，JD未提及远程或弹性工作，且AI研究通常需要高强度投入，生活化动机满足程度有限。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
多模态AI是高速增长赛道，可画产品影响力大，但社会价值中性，意义感动机有一定满足。
行业发展高速增长赛道
社会影响中性/一般
使命信号magical as it is impactful、revolutionizes productivity softwares
创新程度积极采用新技术
Watch Jobs