【北斗】视觉生成基座和交互式视频研究员

优缺点分析

角色解读

• 技术深耕：从研究员成长为视频生成领域的顶级专家，主导技术方向
• 管理发展：可向技术Leader转型，带领团队攻克复杂问题
• 业务影响：研究成果直接落地美团本地生活场景，实现技术到产品的闭环
• 设计和训练高效率的图像视频VAE及tokenizer，优化压缩比与重建质量
• 探索视频生成模型的稀疏架构、MoE、自回归等前沿架构，提升模型效果与效率
• 研究实时交互视频世界模型，增强长时空一致性和动态交互控制能力
• 扎实的扩散模型、VAE理论功底，能独立复现和改进SOTA方法
• 熟练使用PyTorch，具备分布式训练和模型优化实战经验
• 熟悉多模态生成、大模型训练，了解MoE、自回归等架构

申请策略

• 准备好自己的研究总结和技术博客，面试时能清晰阐述技术思路
• 突出扩散模型、VAE相关的项目经历，最好有开源贡献或论文发表
• 强调大规模分布式训练的经验，如PB级数据处理、多卡并行等
• 展示任何视频生成、多模态大模型的实际成果，如Demo、代码仓库
• 补充MoE、自回归生成等最新架构的学习，阅读相关论文并复现代码
• 提前了解美团本地生活业务场景，思考视觉技术如何赋能

面试指南

• 从问题定义、现有方法分析、你的创新点、实验结果和局限性方面进行结构化阐述
• 先明确评价指标和核心难点，然后比较不同方案的优劣，最后给出你的选择理由
• 请详细介绍一下你参与的扩散模型相关工作，你在其中承担了什么角色？
• 如何设计一个高效的视频VAE？有哪些关键trade-off？
• MoE在生成模型中的应用有哪些挑战？如何解决负载均衡问题？
• 实时视频生成对模型架构和推理系统有哪些特殊要求？
• 你如何看待视频生成模型在本地生活场景中的潜在应用？
• 复习扩散模型、VAE、Transformer、MoE等核心论文，特别是近两年的CVPR/ICCV/NeurIPS