【B-UP】视频生成算法工程师（校招）

优缺点分析

角色解读

• 从校招算法工程师成长为视频生成领域的技术专家，主导核心模型研发
• 逐步参与团队管理或技术架构设计，晋升为高级算法工程师或技术负责人
• 通过在顶会发表论文积累学术影响力，可转向研究岗或学术界
• 调研和追踪视频生成领域的前沿技术，包括长视频生成、交互式生成等方向
• 参与视频生成基座模型的研发和迭代，进行模型训练、调参、性能优化
• 构建和清洗视频训练数据，确保数据质量和有效性
• 撰写技术文档并投稿顶级会议和期刊，推动技术成果传播
• 扎实掌握生成式模型（如扩散模型、自回归模型）的原理和实践
• 熟悉视频生成模型的研发流程，包括数据清洗和构建
• 具备计算机视觉领域的研究经验，尤其是在生成模型、自监督学习等方面
• 优秀的算法和工程能力，能够独立动手实现和优化模型

申请策略

• 在简历和面试中突出对视频生成领域的热情和独到见解，展现主动探索的能力
• 提前了解B站的技术栈和业务特点，思考怎样将你的技能应用到B站场景中
• 突出生成式模型（扩散模型、自回归模型）相关的项目或研究经历
• 强调计算机视觉领域的顶会论文或重大实践成果
• 展示模型训练、调参、数据构建等工程化能力，最好有GitHub项目或竞赛排名
• 如有视频生成相关经验，务必详细描述技术方案和贡献
• 如果对扩散模型不熟悉，建议学习相关论文（如DDPM、Stable Diffusion）并动手复现
• 补充大规模模型训练经验，如分布式训练、混合精度训练等

面试指南

• 对于原理类问题，先用清晰的语言概括核心思想，再展开数学细节或公式
• 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化回答
• 对于开放性技术问题，先列出关键考量，再给出可行性方案，最后总结
• 请详细解释扩散模型的原理，包括前向和反向过程
• 你在视频生成项目中最难解决的问题是什么？如何解决的？
• 如何搭建一套视频生成的数据清洗流水线？需要考虑哪些因素？
• 你如何看待自回归模型在视频生成中的应用？与扩散模型相比优缺点？
• 你读过哪些最新的视频生成论文？请选择一个简要介绍并评价