3D生成研究员

优缺点分析

角色解读

• 技术纵深发展：成为3D生成领域的专家，引领团队技术方向
• 横向拓展：向多模态生成、游戏引擎集成等方向延伸，扩大技术影响力
• 管理路径：积累经验后转向技术主管，带领研究团队
• 跟踪并复现三维生成大模型领域的最新论文算法，保持技术先进性
• 参与数据构建与清洗，训练和优化3D生成模型，解决实际落地中的技术难题
• 与团队协作，将算法集成到产品管线中，实现高效、高质量的三维内容生成
• 扎实的计算机图形学或计算机视觉理论基础，熟悉3D表示（如NeRF、3D Gaussian等）
• 精通Python，熟练使用PyTorch等框架，深入理解Diffusion模型的原理与实现
• 具备大模型训练和数据处理经验，能够独立设计和开展实验

申请策略

• 展示对技术细节的深入理解，面试前可准备一个自己认为最有价值的项目进行深入讲解
• 了解米哈游在3D内容方面的业务方向，结合自身技术阐述匹配点
• 突出3D生成相关项目经历，尤其是参与过的大模型训练或数据处理工作
• 若有一作顶会论文，需重点展示，并说明个人贡献
• 详细描述在Diffusion、3D表示等方向的技术积累和成果
• 强化Diffusion模型的数学推导和代码实现能力，推荐复现经典论文
• 补充三维视觉最新顶会论文阅读，了解SOTA方法
• 如有机会，参与开源3D生成项目或构建个人Demo

面试指南

• 针对算法理解类问题：先陈述核心概念，再逐步展开数学或实现细节，最后举例说明实际应用
• 针对项目经验类问题：使用STAR法则，说明背景、任务、行动、结果，强调个人贡献和难点解决
• 请详细解释Diffusion模型前向和逆向过程的数学推导
• 如何设计一个3D生成模型的数据处理流程？
• 比较NeRF、3D Gaussian等3D表示方法的优缺点及适用场景
• 你如何评估一个生成模型的效果？用什么指标？
• 如果让你复现一篇SIGGRAPH或CVPR的三维生成论文，你会怎么规划？
• 复习Diffusion、3D表示、生成式模型的核心论文，尤其是近两年的SOTA