中国平安
视觉算法工程师（视觉生成方向）
视觉算法工程师（视觉生成方向）
发布于 大约 2 个月前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
软件工程
PyTorch
TensorFlow
AIGC
Megatron-LM
DeepSpeed
GANs
Diffusion Models
AI 估算 · 30k–60k
AIGC方向人才稀缺，大厂给出高薪，深圳算法工程师市场行情30-60K，15薪常见。
职位详情
关于这个职位
这是一个在平安科技从事视觉生成方向算法研究的岗位，主要聚焦AIGC前沿技术，包括Diffusion Models、图像编辑、数字人建模等
你将参与从算法研究到工程落地的全链路工作，适合在图像生成领域有深厚积累的研究型人才
最低要求
技术深度 教育背景：计算机、自动化、数学或相关专业硕士/博士学位
数学功底：具备扎实的线性代数、概率统计和优化理论基础，能够深刻理解生成模型的统计分布映射本质
算法经验：精通 PyTorch/TensorFlow
深入理解主流生成架构，如：Diffusion Models (Stable Diffusion, Flux, DiT 架构)，GANs / VAEs (及其在实时渲染中的应用)，Transformer 在视觉任务中的变体
对常见图像生成、视频生成开源算法有了解
工程能力：熟练掌握 Python、C++，具备处理分布式训练（DeepSpeed, Megatron-LM）的实战经验
行业视野 对视觉生成领域的演进路径（从像素级生成到 Latent 空间生成，再到视频/3D 生成）有清晰的认知
有能力对学术论文进行快速原型验证，并识别其在工业场景中的局限性
工作职责
前沿技术攻坚与复现：跟踪并实现 AIGC 领域的 SOTA 算法，包括但不限于基于 Diffusion Models、Autoregressive Models 的大规模预训练架构
针对图像生成的控制性（Controllability）、一致性（Consistency）等前沿问题进行深度优化
图像编辑与可控生成：研发基于 Mask、Text-prompt 或 Reference Image 的精准编辑算法
解决非刚性形变下的语义保持、局部重绘（Inpainting）与风格迁移中的伪影问题，提升算法在复杂场景下的鲁棒性
数字人建模与驱动：研究基于Flow Model、Consistency Model的数字人建模算法
研究长视频生成、IP保持、动作驱动等难点，追求高质量的视觉表现与实时交互性能
数据工程与全链路实验：构建高质量视觉数据集管线，设计针对生成质量的评估指标体系（如改进版 FID、CLIP Score 以及人工评测标准），通过高效的消融实验驱动算法迭代
工程化落地与性能调优：配合工程团队进行模型压缩、量化及端云协同部署
优先资格
在 CVPR, ICCV, ECCV, NeurIPS, SIGGRAPH 等顶会发表过高质量论文
在 GitHub 上有高星开源项目，或在知名生成式 AI 竞赛中取得优异成绩
AI 洞察
优缺点分析
优点
- 位于AI最热门赛道，技术栈前沿，技能积累价值高
- 大厂平台提供大量计算资源和业务场景，利于技术落地
- 薪酬待遇优厚，发展空间大
- 技术难度高，需持续学习最新论文，工作强度较大
- 工程化落地中需应对性能与效果的平衡问题
- 适合热爱钻研前沿技术、有扎实算法功底和较强自驱力的研究型人才
缺点 / 挑战
- 竞争激烈，对顶会论文和开源项目有较高期望
角色解读
- 技术路线：从算法工程师成长为视觉生成领域专家，引领技术方向
- 管理路线：可向技术负责人或团队管理者发展，主导项目
- 横向拓展：未来可转向多模态、3D生成、视频生成等更前沿方向
- 负责AIGC视觉生成算法的研究与开发，包括Diffusion Models、图像编辑、数字人建模等前沿技术
- 参与模型训练、优化及工程化落地，配合团队进行模型压缩和部署
- 构建数据管线与评估体系，通过消融实验迭代算法效果
- 跟踪学术前沿，快速验证论文并转化到工业场景
- 精通PyTorch或TensorFlow，深入理解Diffusion Models、Transformer等生成模型架构
- 扎实的数学基础，包括线性代数、概率统计和优化理论
- 熟练掌握Python和C++，有分布式训练（DeepSpeed, Megatron-LM）经验
- 对AIGC领域技术演进有清晰认知，能识别学术成果的工业局限
申请策略
- 了解平安在金融科技中的AI应用方向，思考算法如何赋能业务
- 准备一个端到端的项目讲解，体现从研究到落地的闭环
- 重点突出AIGC相关项目经验，尤其是Diffusion Models实践
- 列出顶会论文、高星开源项目或竞赛成绩
- 详细描述在图像生成、编辑等方面的算法优化和工程落地案例
- 强调分布式训练和模型部署经验
- 深入复现1-2篇最新扩散模型或DiT论文，形成报告
- 补充C++和模型压缩技术（如量化、蒸馏）
面试指南
- 从理论基础出发，结合公式推导，再给出实际工程经验
- 对比不同方法（如DDPM vs DDIM），说明权衡
- 用STAR法则描述项目，突出个人贡献和结果
- 请详细解释Diffusion Models的数学原理和训练过程
- 如何提升图像生成中的控制性和一致性？
- 描述你参与的一个AIGC项目，遇到哪些挑战及如何解决
- 如何评估生成质量？FID和CLIP Score的优缺点是什么？
- 对模型进行推理加速有哪些常用方法？
匹配度报告
74
综合匹配度
大厂AIGC算法岗，前沿技术，高薪，但WLB一般。
适合人群
适合以技术成长和薪酬为首要目标的求职者，需能接受高强度工作。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值75
薪资福利匹配
85较高
薪资水平在市场中处于高位，虽未明确福利，但大厂通常提供竞争力薪酬。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
95较高
聚焦AIGC最前沿技术，有大量成长机会，但未明确提及培训或晋升路径。
技术前沿前沿/新兴技术
技术栈Diffusion Models、Transformer、AIGC、PyTorch、DeepSpeed
业务类型profit_center
工作生活匹配
40较低
未提供任何弹性办公或WLB信息，深圳大厂算法岗位通常工作强度较大。
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）
使命价值匹配
75中等
AIGC是高速增长赛道，技术影响力大，但社会意义相对中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs