小红书
【REDstar】流式视频生成算法工程师
【REDstar】流式视频生成算法工程师
发布于 1 分钟内普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Consistency Model
Diffusion
Dmd
Gan蒸馏
Pytorch
自回归
视频生成
视频编辑
值不值得投
74综合评分
综合评分 74
前沿技术、高薪高挑战，适合追求技术卓越的算法专家。
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
65K
比算法优化工程师中位数高
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 2750 个在招
市场机会
选择面较广
北京 · 算法优化工程师 · 79 个在招
职位详情
关于这个职位
加入小红书REDstar项目，你将专注于流式视频生成大模型的前沿研究与落地，参与构建面向真实世界的实时视频处理系统
工作内容涵盖超分辨率、生成式修复、风格化、特效生成等核心任务，并探索Diffusion、自回归等生成范式，解决工业级实时性与画质的平衡难题
该岗位技术挑战大，适合对视频生成领域有深厚积累并渴望推动技术创新的算法专家
最低要求
本科及以上学历，计算机科学、人工智能、电子信息、自动化等相关专业
在图像/视频深度学习领域有丰富经验，具备扎实的图像与视频处理算法基础，有良好的数学功底，熟练掌握Python/C++
熟悉Diffusion基础原理，了解SD3.5/FLUX/Qwen-Image等T2I模型及Wan等T2V模型细节，了解self forcing、causal forcing训练细节
熟悉Consistency Model、DMD、GAN蒸馏等加速方法，有Diffusion生成式模型性能调优与落地经验者优先
在相关领域顶会或期刊（CVPR、SIGGRAPH、ICCV、ECCV、NeurIPS、TPAMI等）发表过论文，或有知名开源项目、顶级竞赛获奖经验者优先
强烈的技术热情与好奇心，优秀的分析与解决问题能力，良好的团队协作和沟通能力，乐于探索新技术并推动创新落地
工作职责
深度参与流式视频编辑大模型的研究与落地，涵盖超分辨率画质增强和生成式修复、指令风格化、参考图风格化、特效生成、交互式图片等核心任务，打造业界领先的视频编辑能力
探索Diffusion、自回归等生成范式在流式视频编辑领域的前沿技术，包括但不限于高效推理、时序一致性建模、多条件可控生成等方向，推动技术创新与工程落地
研究Consistency Model、DMD、GAN蒸馏等加速方法在视频编辑场景的应用，解决工业级实时性与画质的平衡难题，支持大规模线上服务
参与高质量视频编辑数据的挖掘、清洗与合成，结合Post-training、强化学习等方法持续优化模型效果与泛化能力
跟踪视频生成与编辑领域最新进展，将相关研究总结为顶会论文、专利或技术博客，推动团队技术影响力建设
优先资格
熟悉Consistency Model、DMD、GAN蒸馏等加速方法，有Diffusion生成式模型性能调优与落地经验者优先
在相关领域顶会或期刊（CVPR、SIGGRAPH、ICCV、ECCV、NeurIPS、TPAMI等）发表过论文，或有知名开源项目、顶级竞赛获奖经验者优先
AI 洞察
优缺点分析
优点
- 技术前沿性极强，处于视频生成大模型的最前沿，能接触到最先进的技术和算法
- 平台优势明显，小红书拥有海量视频数据和丰富的应用场景，为技术落地提供坚实基础
- REDstar项目是公司核心项目，资源倾斜，个人成长和发展空间巨大
- 团队氛围好，鼓励技术创新和学术交流，有发表顶会论文的机会
- 技术难度极高，需要具备扎实的理论基础和强大的工程实现能力
- 工作强度大，需要持续学习和跟进最新技术，保持技术领先
缺点 / 挑战
- 业务落地压力大，需要将前沿技术转化为稳定、高效的线上服务，解决实时性和画质的平衡难题
- 适合对视频生成技术有浓厚兴趣，具备扎实的深度学习基础和强大的自驱力，渴望在技术前沿领域深耕并解决挑战性问题的算法工程师
角色解读
- 技术专家路线：在视频生成领域深耕，成为该方向的技术带头人，主导核心算法的研发与创新
- 研究科学家路线：将研究成果转化为顶会论文和专利，提升个人和团队在学术界的影响力
- 技术管理路线：在积累丰富经验后，可带领团队负责更复杂的业务方向，走向技术管理岗位
- 负责流式视频生成大模型的核心算法研发，包括超分辨率、生成式修复、风格化等视频编辑任务
- 探索Diffusion、自回归等前沿生成范式，并研究高效推理、时序一致性建模等关键技术，推动技术落地
- 研究Consistency Model、DMD、GAN蒸馏等加速方法，解决实时性与画质的平衡问题，支撑大规模线上服务
- 参与高质量视频数据的挖掘、清洗与合成，并结合Post-training、强化学习等方法优化模型效果
- 扎实的深度学习基础，熟练掌握Python/C++，具备良好的数学功底
- 深入理解Diffusion模型原理，熟悉SD3.5/FLUX/Qwen-Image等主流T2I/T2V模型细节
- 熟悉Consistency Model、DMD、GAN蒸馏等模型加速方法，有性能调优经验
- 具备优秀的论文阅读、复现和创新能力，有顶会论文或知名开源项目经验者优先
申请策略
- 在申请时，可以附上你的技术博客或开源项目链接，展示你的技术热情和能力
- 了解小红书在视频生成领域的产品布局，在面试中结合业务场景展示你的思考
- 重点突出视频生成、图像生成相关的项目经验，详细描述你的技术方案、模型设计和最终效果
- 强调你对Diffusion、自回归等生成模型的深入理解，包括模型细节、训练技巧和调优经验
- 展示你的工程能力，如Python/C++编程能力、模型部署和性能优化经验
- 如果有顶会论文、知名开源项目或竞赛获奖经历，务必放在显眼位置
- 深入研读SD3.5、FLUX、Wan等最新T2I/T2V模型的论文和代码，理解其架构和训练细节
- 动手实践Consistency Model、DMD、GAN蒸馏等加速方法，尝试在现有模型上进行性能调优
面试指南
- 回答技术问题时，可以采用STAR法则，清晰描述项目背景、你的任务、具体行动和最终结果
- 对于开放性问题，可以结合自己的知识体系，从算法、工程、业务等多个角度分析，体现你的思考深度
- 在回答时，可以适当引用最新的论文和技术动态，展示你对前沿技术的关注
- 请详细介绍一下你在Diffusion模型方面的项目经验，包括模型架构、训练过程、遇到的挑战和解决方案
- 如何理解流式视频生成？与离线视频生成相比，有哪些技术难点？
- 谈谈你对Consistency Model、DMD等加速方法的理解，并比较它们的优缺点
- 如何解决视频生成中的时序一致性问题？有哪些有效的技术方案？
- 如果让你设计一个实时视频风格化系统，你会如何设计？
职位点评
薪资福利80
成长发展95
工作生活40
使命价值70
薪资福利
80较高
该职位为小红书REDstar核心项目，薪资水平在行业内具有较强竞争力，且公司福利待遇完善，能较好满足补偿性动机。
薪资信号未披露（AI估算：50K-80K/月）
成长发展
95较高
该职位处于视频生成技术最前沿，技术挑战大，成长空间广阔，且公司鼓励发表顶会论文，能极大满足发展性动机。
技术前沿前沿/新兴技术
技术栈Diffusion、自回归、视频生成、Consistency Model、DMD、GAN蒸馏、Post-training、强化学习
成长机会顶会论文、专利、技术博客
业务类型profit_center
工作生活
40较低
该职位为研发岗，工作地点在北京或上海，且未提及弹性办公，工作强度可能较大，生活化动机满足程度有限。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
视频生成技术是人工智能领域的热门方向，具有广阔的应用前景，但该职位更侧重于技术实现，社会影响力相对中性。
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