Kwai logo
快手
音视频大模型算法工程师

音视频大模型算法工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
中级经验
学历未注明
全职员工仅现场办公音视频技术
音视频技术
Diffusion
Pytorch
图像视频生成
多模态理解
深度学习
视频超分辨率
计算机视觉
长视频生成

值不值得投

75综合评分

综合评分 75

前沿生成式音视频算法岗,技术成长强,办公与WLB信息未披露

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,方便横向比较。

薪资怎么样

5.0万

比音视频技术中位数高

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 2830 个在招 · 其中音视频技术 7 个

市场机会

选择适中

北京 · 音视频技术 · 27 个在招

职位详情

关于这个职位

该岗位聚焦音视频大模型算法研发,核心围绕扩散模型开展视频修复增强、高效图像与视频生成、长视频一致性建模以及音视频多模态理解

适合具备计算机视觉、深度学习和生成模型经验,希望在视频生成与AGI方向深入研究的算法工程师

最低要求

具备扎实的计算机视觉与深度学习基础,熟悉 PyTorch,能够独立完成算法设计、模型训练与实验评估

熟悉超分辨率、去噪等底层视觉算法,或具备扩散模型、图像视频生成、多模态理解中至少一个方向的研发经验
对通用人工智能(AGI)有持续的研究兴趣,能主动跟踪前沿进展,并将研究想法转化为可验证的实验

工作职责

生成式视频修复与增强,研发基于扩散模型(Diffusion)的底层视觉算法,面向视频超分辨率、去噪和真实退化修复等场景,开展模型架构设计、训练优化与大规模数据处理,提升修复效果和对原始内容的保真度

高效图像与视频生成,研发基于扩散模型的高效生成框架,探索生成架构、采样策略与推理加速方法,在保障生成质量的同时提升推理效率,支持更高分辨率和更长时长的生成
长视频生成一致性与记忆,研究长视频生成中的曝光偏差(Exposure Bias)及纹理误差逐步累积等问题,探索长程时序建模与记忆机制,使人物及 IP 角色在跨镜头、长时间间隔和再次出场时保持身份与外观一致
音视频多模态内容理解,研发面向视频、音频及其联合输入的多模态理解模型,支持根据自然语言查询定位画面中的人物、物体或区域(Spatial Grounding,SG),定位相关事件在视频或音频中的时间区间(Temporal Grounding,TG),并基于音视频内容进行问答(QA)

优先资格

有长视频生成、时序建模、记忆机制、音视频定位或多模态问答相关经验者优先

在计算机视觉或人工智能领域的 CCF A 类会议或期刊发表过高质量论文,或在视觉与算法竞赛中取得突出成绩者优先

AI 洞察

优缺点分析

优点

  • 岗位覆盖扩散模型、长视频生成、音视频多模态理解等前沿方向,技术成长空间较大
  • 工作内容同时包含算法研究、训练优化和大规模数据处理,有利于形成从研究到工程落地的完整能力
  • 与视频内容和生成式AI场景结合紧密,研究成果更容易在真实业务中验证价值
  • 对论文和竞赛成果有明确认可,适合有研究积累的候选人发挥优势
  • 前沿方向竞争激烈,需要持续跟踪论文和技术进展,并保持高频实验迭代
  • 适合具备计算机视觉、生成模型或音视频多模态经验,喜欢前沿算法研究和实验迭代的工程师
  • 尤其适合有高质量论文、竞赛成绩或长视频生成项目经历的人

缺点 / 挑战

  • 长视频一致性、记忆机制和音视频联合理解都属于难度较高的问题,实验周期和失败成本可能较高
  • 需要同时兼顾生成质量、推理效率和大规模训练稳定性,对算法与工程能力要求都较高

角色解读

  • 可在视频生成、多模态理解、底层视觉修复等方向持续深耕,成长为生成式视觉算法专家
  • 未来可向大模型架构研究、推理加速系统、音视频内容创作工具或AGI相关研发方向拓展
  • 积累业务落地经验后,也可发展为技术负责人,牵头跨团队算法方案与研发路线设计
  • 研发基于扩散模型的视频修复与增强算法,覆盖超分辨率、去噪、真实退化修复,并参与架构设计、训练优化和大规模数据处理
  • 探索高效图像与视频生成框架,包括生成架构、采样策略和推理加速,以提升生成质量、分辨率和视频时长
  • 研究长视频生成中的时序一致性、曝光偏差和记忆机制,保障人物或IP角色在跨镜头场景中保持稳定外观与身份
  • 构建音视频多模态理解模型,支持空间定位、时间定位以及基于音视频内容的问答能力
  • 需要扎实的计算机视觉和深度学习基础,熟悉 PyTorch,并能独立完成算法设计、训练与实验评估
  • 需要掌握扩散模型、图像视频生成、超分辨率、去噪或底层视觉算法中的至少一类核心方向
  • 需要理解多模态理解、音视频定位、时序建模、记忆机制等前沿问题,并具备将研究想法转化为实验验证的能力
  • 有 CCF A 类论文、竞赛成绩或长视频生成相关经验会显著增强竞争力

申请策略

  • 申请前建议梳理快手音视频和内容生态相关业务,思考算法能力如何服务视频创作、内容理解和用户体验
  • 面试中尽量用论文复现、项目实验或竞赛方案证明研究品味和工程落地能力
  • 重点突出与扩散模型、图像视频生成、超分辨率、去噪、多模态理解相关的项目,说明模型方案、训练规模、评价指标和最终提升
  • 如果有 PyTorch 独立训练经验,应写清楚数据规模、训练策略、推理优化方法和实验评估流程
  • 有 CCF A 类论文、视觉竞赛成绩或相关专利时,应放在显眼位置,并说明与岗位方向的关联
  • 对长视频生成、时序建模、Spatial Grounding、Temporal Grounding 或 QA 经验要单独强调,最好用量化结果证明效果
  • 可重点补齐 Diffusion、视频生成、采样加速、长时序一致性建模等核心技术栈
  • 建议熟悉大规模训练与评估流程,包括数据清洗、分布式训练、指标设计和消融实验

面试指南

  • 项目类问题按“问题定义—数据规模—模型方案—训练细节—指标结果—失败复盘”的结构回答,突出自己的具体贡献
  • 技术难题类问题先拆解矛盾点,再给出候选方案、实验验证方法和权衡依据,避免只讲概念
  • 前沿研究类问题可结合近期论文趋势,说明你会如何复现、改进并设计消融实验验证有效性
  • 请介绍一个你主导的扩散模型或图像视频生成项目,包括模型设计、训练策略和评估指标
  • 视频超分辨率、去噪和真实退化修复中,如何平衡生成细节与原始内容保真度?
  • 长视频生成中如何缓解曝光偏差和纹理误差累积,你会如何设计记忆机制或时序建模方案?
  • Spatial Grounding、Temporal Grounding 和音视频 QA 任务中,如何设计多模态融合与训练目标?
  • 如何在保证生成质量的前提下做采样策略优化和推理加速?

职位点评

薪资福利78
成长发展92
工作生活48
使命价值76

薪资福利

78中等

JD未披露薪资和福利信息,但岗位属于高门槛算法研发方向,对具备相关能力的求职者通常具有较强薪资吸引力。稳定性与福利信息未提及,无法进一步判断。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

92较高

岗位明确覆盖扩散模型、长视频生成、音视频多模态理解、时序建模和推理加速等前沿方向,并要求持续跟踪AGI进展,发展性非常强。

技术前沿前沿/新兴技术
技术栈Diffusion、PyTorch、视频超分辨率、去噪、图像视频生成、长视频生成、时序建模、记忆机制、多模态理解、Spatial Grounding、Temporal Grounding、QA、AGI
业务类型ambiguous

工作生活

48较低

JD仅明确地点为北京,未提及远程、弹性办公、双休或加班情况,因此生活化动机满足程度无法充分判断。

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

76中等

岗位围绕生成式视频、音视频内容理解和AGI研究,具有较强技术探索价值;但JD未直接描述社会价值或使命导向,意义感主要来自技术前沿性。

行业发展高速增长赛道
社会影响中性/一般
使命信号通用人工智能(AGI)
创新程度积极采用新技术
Watch Jobs