【B-UP】视频生成算法工程师（实习）

优缺点分析

角色解读

• 实习期间可积累前沿生成式AI经验，为后续校招或社招进入大厂算法岗打下坚实基础
• 表现优异可转正成为正式算法工程师，逐步成长为技术专家
• 未来可向多模态、视频理解、AIGC等方向深入发展，或转向技术管理岗
• 调研最新的视频生成技术（如扩散模型、自回归模型），跟踪行业前沿动态
• 参与视频生成基座模型的训练、调参和性能优化，推动模型效果提升
• 构建和清洗训练数据，确保数据质量，并配合团队完成模型迭代
• 撰写技术文档，将研究成果整理成论文投稿至顶级会议或期刊
• 扎实掌握生成式模型，如扩散模型、自回归模型，熟悉其原理和实现
• 具备计算机视觉研究经验，尤其视频生成、表示学习等方向
• 熟练使用深度学习框架（如PyTorch），有较强的算法落地和工程能力
• 良好的沟通协作能力，能够独立完成复杂任务并推动团队成果

申请策略

• 关注B站技术博客或公开演讲，了解团队技术方向，在面试中展现你的热情和匹配度
• 准备一份简洁的技术作品集（GitHub链接或项目摘要），展示你的代码能力和研究成果
• 突出生成式模型相关项目经验，如扩散模型、自回归模型、视频生成等
• 强调计算机视觉研究成果，如顶会论文、竞赛奖项或开源贡献
• 展示扎实的工程能力，如使用PyTorch实现复杂模型、数据清洗流水线等
• 如有相关实习或实验室项目，详细描述你的具体贡献和成果
• 深入理解扩散模型和自回归模型的原理及代码实现，可复现经典论文
• 学习视频数据处理相关技术，如FFmpeg、视频编解码基础

面试指南

• 对于技术原理问题，先清晰阐述核心概念，再结合自身项目经验举例说明
• 对于开放性问题（如数据清洗），从数据特点、问题定义、具体步骤、实验验证等角度结构化回答
• 对于经验类问题，采用STAR法则（情境、任务、行动、结果）描述项目，突出个人贡献和思考
• 请详细解释扩散模型的训练和采样过程，以及如何将其应用于视频生成
• 你之前做过哪些计算机视觉项目？遇到过什么困难？如何解决的？
• 如果有大量视频数据，你会如何设计数据清洗和增强策略？
• 如何评估视频生成模型的质量？常用的评价指标有哪些？
• 你对RLHF在视频生成中的应用有什么了解？