快手
【快Star】直播智能体验优化算法工程师
【快Star】直播智能体验优化算法工程师
发布于 大约 2 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
PyTorch
量化
多目标优化
蒸馏
直播流媒体
多模态大模型
剪枝
LoRA
AI 估算 · 35k–60k
快手头部互联网，直播核心业务，多模态大模型算法岗薪资竞争力强，月薪35k-60k，年终奖丰厚。
职位详情
关于这个职位
该职位负责多模态大模型在快手直播链路的建模与实现，融合网络、用户等多源信号，做出毫秒级低延迟的联合决策
你需要优化大模型训练推理流程，通过LORA、蒸馏、剪枝等手段将推理成本压入单路预算，并开发高性能决策模块，打通离线训练到在线全链路，最终推动成果在真实直播流量上验证营收与体验收益
这是一个算法与工程深度结合的岗位，适合对多模态大模型和流媒体技术有热情的技术人才
最低要求
硕士及以上学历，计算机/通信/自动化/应用数学等相关专业
在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础
熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch
具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环
熟练使用 Python/C++，具备良好的工程实现与调试能力
工作职责
负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策
负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内
负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益
推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化
优先资格
熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解
具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路
在多目标优化/多任务联合决策 方向有研究或落地经验
熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验
在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖
具备端侧模型部署、量化与算子优化经验
AI 洞察
优缺点分析
优点
- 使用前沿多模态大模型技术，积累高端算法经验
- 薪资优厚，大厂福利完善，年终奖丰厚
- 团队技术氛围浓厚，有顶级会议发表机会
- 算法与工程结合紧密，需要处理大规模线上问题，工作强度大
- 对多模态、流媒体等多方向知识要求高，学习曲线陡峭
- 竞争激烈，需要在顶级会议或比赛中脱颖而出才能脱颖而出
缺点 / 挑战
- 快手核心业务，技术挑战大，直接推动营收和体验提升
- 适合对多模态大模型有热情、技术栈扎实、能承受高压力、追求快速成长的算法工程师
角色解读
- 从算法工程师成长为技术专家，深入多模态决策和直播体验优化领域
- 向技术经理或架构师发展，主导大流量场景的算法工程协同
- 横向扩展到推荐、搜索等AI应用，或转向视频编解码、端侧部署等方向
- 负责多模态大模型在直播链路的建模与实现，融合网络和用户信号做低延迟联合决策
- 优化大模型训练推理流程，使用LORA、蒸馏、剪枝等方法降低推理成本至单路算力预算内
- 开发高性能特征提取与决策模块，打通离线训练到在线推理的全链路
- 推动成果在真实直播流量上AB验证，量化营收和体验收益
- 扎实的机器学习和深度学习基础，熟悉大模型架构和训练推理流程
- 熟练使用PyTorch，掌握LORA等参数高效微调方法
- 具备Python/C++编程能力，能独立完成从问题建模到上线的闭环
- 有流媒体或视频处理经验更佳，了解ABR、QoE优化等
申请策略
- 了解快手直播业务特点，准备展示如何用算法优化用户体验和营收
- 在面试中强调算法与工程结合的经验，以及快速迭代的能力
- 突出多模态项目经验，包括大模型微调、压缩、部署等实践
- 强调流媒体或视频优化项目，展示AB实验和量化收益成果
- 列出顶级会议论文或竞赛获奖，体现研究能力
- 详细描述算法工程落地能力，如从建模到上线的完整闭环
- 补充LORA、量化等模型压缩方法的深入理解
- 学习ABR算法和QoE评估体系，了解直播流媒体传输链路
面试指南
- 从问题建模出发，明确优化目标和约束，提出候选方案
- 结合具体项目经验，描述数据构建、模型设计、实验验证和上线效果
- 展示对技术细节的理解，如LORA的秩选择、量化位宽影响等
- 如何用大模型做直播链路中的分辨率或码率决策？
- 为什么使用LORA微调？如何选择微调层？对比全量微调的优势和劣势
- 量化感知训练与后训练量化的区别，如何权衡精度和速度？
- 如何设计AB实验评估QoE收益？哪些指标关键？
- 在多目标优化中，如何处理GMV和QoE的冲突？
匹配度报告
74
综合匹配度
快手核心算法岗，前沿多模态技术，高薪资高压力，WLB一般。
适合人群
适合技术导向、追求前沿技能成长和高薪回报，能接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利匹配
85较高
快手作为头部互联网大厂，薪资水平高，福利完善，该岗位薪酬竞争力强，补偿性动机满足度较高。
薪资信号偏高 (35K-60K/月)
成长发展匹配
90较高
该岗位涉及多模态大模型等前沿技术，算法与工程深度结合，能快速积累核心技能，晋升通道明确，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈多模态大模型、LORA、蒸馏、剪枝、量化、PyTorch、Python、C++、流媒体、多目标优化
业务类型profit_center
工作生活匹配
50较低
北京现场办公，工作日通勤压力大，JD未提及弹性工作或WLB，生活化动机满足度一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
职位属于互联网核心商业场景，推动直播体验和营收增长，社会影响中性，行业增长快，具有一定意义感。
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