Computer Vision Engineer -- AIGC（J93904）

优缺点分析

角色解读

• 技术深耕：成为AIGC领域专家，主导核心算法研发，发表顶会论文
• 横向发展：向技术负责人或架构师方向成长，带领团队攻关复杂问题
• 业务导向：深入理解产品需求，转型为技术产品经理或解决方案专家
• 研究和开发计算机视觉前沿技术，重点涉及扩散模型、多模态大模型的训练与微调
• 将AIGC技术应用于百度全球业务的产品中，提升图像生成、理解等能力
• 与产品、工程等团队协作，将技术成果转化为实际业务解决方案
• 撰写技术文档、专利申请和学术论文，沉淀技术成果
• 扎实的计算机视觉和深度学习理论基础，熟悉生成模型（如Diffusion、多模态）
• 熟练使用Python及PyTorch/TensorFlow等框架，具备模型训练和调优经验
• 有解决实际问题的能力，能够快速验证想法，并对新技术保持好奇心
• 良好的团队协作和沟通能力，能够与跨职能团队高效合作

申请策略

• 仔细研究百度全球业务的产品线，思考AIGC如何赋能现有产品
• 在面试中展示对技术趋势的理解，并准备一个你主导的视觉生成项目进行深入讲解
• 突出生成模型相关项目经验，如Diffusion模型训练、多模态模型应用等
• 强调顶会论文发表或开源贡献，这是加分项
• 体现解决实际问题的案例，尤其是将算法落地到产品的经历
• 列出熟悉的深度学习框架和编程语言，并展示代码能力
• 深入理解Diffusion模型原理及最新变体（如Stable Diffusion、DALL-E等）
• 尝试复现顶级会议论文，并思考如何改进

面试指南

• 对于原理性问题，先解释基础概念，再深入细节，最后联系实际应用
• 对于开放性问题，采用“现状-挑战-解决方案-未来展望”的结构
• 对于代码题，先明确思路，再逐步实现，注意边界条件和效率
• 请详细解释Diffusion模型的训练和采样过程，以及如何加速推理
• 描述一个你使用多模态模型解决实际问题的案例，遇到了哪些挑战？
• 你对AIGC在图像生成领域的未来趋势怎么看？百度可以如何利用？
• 如何评估一个生成模型的效果？请列举常用的评估指标
• 手撕代码：实现一个简单的图像生成模型或相关算法