Alibaba logo
阿里巴巴
万相Wan视觉生成与世界模型前沿技术研究-阿里星

万相Wan视觉生成与世界模型前沿技术研究-阿里星

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 5.0–9.0万 · AI 参考估算
无经验要求
博士
全职员工仅现场办公AI算法
AI算法
Clip
Diffusion Models
Dit
Dpo
Ppo
Pytorch
Rlhf
Vlm

值不值得投

78综合评分

综合评分 78

前沿多模态世界模型研究岗,技术成长与科研影响力极强,办公节奏和福利细节未披露。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便比较职业起点。

薪资怎么样

7.0万

比AI算法中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 5250 个在招 · 其中AI算法 约 120 个

市场机会

选择面较广

杭州 · AI算法 · 约 130 个在招

职位详情

关于这个职位

该职位聚焦万相Wan多模态世界模型与视觉生成前沿研究,覆盖长视频生成、原生多模态预训练、统一Tokenizer、强化学习和大模型训练推理优化等方向

适合具备顶级科研成果、扎实生成模型与大规模训练能力的应届博士或顶尖硕士,参与面向AGI的前沿技术攻关

最低要求

来自全球Top高校计算机科学、人工智能、数学、物理或相关领域应届博士/顶尖硕士毕业生

在国际顶级计算机会议/期刊(如NeurIPS、CVPR、ICLR、ECCV、TPAMI等)以一作身份发表过多篇论文,或在开源社区、竞赛中展示出引领性的研究成果
对Diffusion Models、GANs、VAEs等生成模型有深入理解,熟悉基于Transformer架构的自回归生成模型、DiT等扩散模型
在语言-视觉联合建模、图文/视频生成任务方面有系统性理解,熟悉CLIP/VLM 等跨模态模型架构,并至少在生成模型或语言-视觉联合建模方向产生具有行业影响力的创新成果
对多模态世界模型的可控性、一致性、长序列建模、跨模态对齐与协同、效率优化等关键问题有持续探索的兴趣,敢于挑战现有范式,有志于在该领域构建具有行业影响力的新范式
具备扎实的代码功底,熟悉PyTorch/TensorFlow等框架,能够高效实现复杂模型结构并进行大规模训练(如千卡级大模型训练、混合精度优化、显存优化)经验
ACM/ICPC,topcoder等编程比赛获奖者优先
具备跨学科视野与协作意识,能够与工程、产品等多学科团队紧密合作,推动研究成果快速落地并产生实际影响力

工作职责

世界模型,包括但不限于:长视频生成、多模态交互式世界模型、实时音视频生成、生成驱动的世界渲染引擎、3D/4D生成

原生多模态预训练,包括但不限于:融合语言与图像理解生成统一的多模态模型、音视频融合的生成模型、高效多模态预训练算法
人类反馈与强化学习,包括但不限于:基于规则的强化学习策略、高效 DPO 与 PPO 算法设计、基于用户反馈的RLHF视频生成质量提升
统一Tokenizer研究,包括但不限于:适用于图像、视频、音频等多种模态生成和理解的统一Tokenizer、提高多模态模型的泛化能力和效率
大模型训练/推理优化,包括但不限于:模型蒸馏、模型剪枝、attention计算近似等高效训练加速策略

优先资格

ACM/ICPC,topcoder等编程比赛获奖者优先

AI 洞察

优缺点分析

优点

  • 研究方向处于多模态生成与AGI相关前沿,适合希望参与世界模型、视频生成和原生多模态预训练等热点课题的求职者
  • 岗位强调顶会论文、开源成果和行业影响力创新,科研产出与前沿探索空间较大
  • 能接触大规模训练与真实业务落地场景,有助于同时积累算法研究能力和工程化经验
  • 北京/杭州双地点选择,便于在两大AI人才聚集城市中选择更适合的发展环境
  • 任职门槛极高,要求全球Top高校应届博士或顶尖硕士,以及多篇顶会一作或引领性成果,竞争非常激烈
  • 岗位要求与工程、产品团队协作推动落地,研究型候选人需要适应业务目标和跨团队沟通节奏
  • 适合科研能力强、具备高质量论文或开源成果,并希望将多模态生成研究推进到大规模真实应用的顶尖应届博士或硕士

缺点 / 挑战

  • 研究方向覆盖广且问题难度高,需要同时处理模型一致性、可控性、长序列建模和效率优化等复杂挑战

角色解读

  • 初期作为前沿研究型IC深度参与万相Wan核心课题,积累多模态世界模型从算法创新到大规模落地的完整经验
  • 中期可成长为细分方向技术负责人,主导视频生成、统一Tokenizer、多模态预训练或强化学习方向的研究路线
  • 长期可向资深研究员、技术专家或研究管理方向发展,也可能转向AI产品技术战略与跨团队技术领导角色
  • 围绕多模态世界模型开展前沿研究,重点探索长视频生成、实时音视频生成、3D/4D生成和交互式世界模型等方向
  • 研究原生多模态预训练与理解-生成融合范式,推动语言、图像、视频、音频等多种模态的统一建模
  • 设计并改进统一Tokenizer、RLHF/DPO/PPO等人类反馈与强化学习方法,提升视频生成质量和模型可控性
  • 参与千卡级大模型训练与推理优化,包括混合精度、显存优化、模型蒸馏、剪枝和attention近似等工程研究
  • 需要深入理解Diffusion Models、GANs、VAEs、DiT、自回归生成模型等生成模型体系,并具备语言-视觉联合建模经验
  • 需要熟悉CLIP、VLM等跨模态架构,对跨模态对齐、长序列建模、一致性和可控性等核心问题有研究积累
  • 需要扎实的PyTorch/TensorFlow工程能力,能够独立实现复杂模型结构并参与大规模训练优化
  • 需要顶级会议/期刊一作论文、开源社区引领性成果或竞赛成绩,证明具备独立科研与创新能力

申请策略

  • 投递时建议明确选择自己最匹配的一个或两个研究方向,并将对应论文、代码和实验结论放在简历最前面
  • 提前了解万相Wan已有模型与产品方向,面试中结合其技术路线提出具体改进想法,会比泛泛谈AGI更有说服力
  • 重点突出一作论文、会议/期刊级别、引用影响、开源项目star或竞赛成绩,用具体成果证明研究影响力
  • 详细描述在Diffusion Models、DiT、VLM、CLIP、视频生成或多模态预训练中的技术贡献,避免只罗列项目名称
  • 强调大规模训练经验,包括千卡级训练、混合精度、显存优化、模型蒸馏或推理加速等实际工程能力
  • 补充与工程/产品协作推动成果落地的经历,体现跨学科沟通和研究转化能力
  • 面试前系统梳理多模态世界模型的最新论文与技术路线,尤其是长视频生成、统一Tokenizer和原生多模态预训练
  • 强化PyTorch大规模训练与分布式优化实践能力,准备可讲清楚的模型实现、训练稳定性和效率优化案例

面试指南

  • 研究类问题采用“问题背景—现有方法不足—我的核心假设—方法设计—实验验证—局限与下一步”的结构回答
  • 技术对比类问题先给出清晰判断,再从生成质量、训练效率、可扩展性、可控性和工程成本等维度展开
  • 工程实践类问题用“规模—瓶颈—定位方法—优化手段—量化结果—复盘”框架,突出可复现和可衡量的改进
  • 请详细介绍你最有代表性的一作论文,核心创新点、实验设计和局限性分别是什么?
  • 如何看待多模态世界模型与视频生成、3D/4D生成、具身智能之间的关系?
  • DiT、自回归生成模型和传统Diffusion Models在视频生成中的优劣是什么?
  • 如果要提升长视频生成的一致性,你会从模型结构、训练数据、Tokenizer和推理策略哪些角度入手?
  • 请描述一次你参与大规模模型训练或推理优化的经历,遇到了什么问题,如何解决?

职位点评

薪资福利78
成长发展95
工作生活45
使命价值88

薪资福利

78中等

JD未披露薪资与福利信息,但该岗位面向顶尖应届科研人才,且要求极高,通常对薪酬竞争力有较强支撑。稳定性与福利细节未提及,需面试确认。

薪资信号未披露(AI估算:5.0千–9.0万/月)

成长发展

95较高

岗位明确覆盖世界模型、原生多模态预训练、统一Tokenizer、人类反馈与强化学习、大模型训练推理优化等前沿方向,并要求产出行业影响力创新。对追求前沿技术成长和科研突破的候选人匹配度极高。

技术前沿前沿/新兴技术
技术栈多模态世界模型、Diffusion Models、GANs、VAEs、Transformer、DiT、CLIP、VLM、DPO、PPO、RLHF、统一Tokenizer、模型蒸馏、模型剪枝、attention计算近似、PyTorch、TensorFlow
业务类型profit_center

工作生活

45较低

JD仅说明北京/杭州地点,未提及远程、弹性办公、双休或加班信息,因此生活化动机满足程度无法充分判断。候选人需在面试中确认具体办公模式和团队节奏。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

88较高

JD明确将多模态世界模型描述为实现AGI的重要技术路径,并强调建立世界级技术影响力和行业新范式,意义感与前沿使命感较强。但未提及具体社会公益或民生价值。

行业发展高速增长赛道
社会影响中性/一般
使命信号实现通用人工智能(AGI)的重要技术路径之一、建立世界级的技术影响力、构建具有行业影响力的新范式
创新程度开拓性创新(行业首创)
Watch Jobs