小红书
【dots】原生多模基座算法工程师
【dots】原生多模基座算法工程师
发布于 大约 18 小时前普通员工/个人贡献者
北京市 / 上海市
中级经验
全职员工
仅现场办公
学历未注明
PyTorch
强化学习
多模态
图像编辑
图像生成
大模型
RLHF
Diffusion Models
Post-Training
Preference Learning
AI 估算 · 30k–60k
顶尖互联网核心算法岗，技术难度高，薪资竞争力强。
职位详情
关于这个职位
该职位负责小红书下一代多模态基座模型的后训练与对齐优化，聚焦图像生成与编辑的对齐方法，涉及SFT、偏好学习、强化学习等技术，旨在提升模型可控性与用户满意度
适合有多模态生成模型经验、热爱前沿技术的算法人才
最低要求
任职资格
扎实的机器学习与多模态基础：具备扎实的机器学习与深度学习基础，熟练使用至少一种主流深度学习框架（如 PyTorch、JAX、TensorFlow 等），并在生成模型或多模态模型中有较深入的实践经验
生成模型 / 对齐方向相关经验：对监督学习、强化学习、偏好学习、表示学习等方法有深入理解
在图像生成、图像编辑、多模态理解或相关方向中，有过模型训练、对齐或系统优化的实际经验
优秀的实验设计与问题拆解能力：能够从复杂生成现象中抽象问题、设计实验、分析结果并提出可执行的改进方案
对模型行为有敏锐的直觉，同时具备严谨的工程与研究能力
工作职责
工作职责
你将参与到小红书下一代基座模型与 AI native 应用的构建中，通过多模
理解生成一体的对齐与优化（Post-Train）：参与多模态大模型的 post-training 与对齐研究，围绕「理解 → 规划 → 生成」的一体化链路，提升模型在复杂指令理解、规划与工具调用、语义一致性、生成可控性、多轮编辑与用户意图对齐等方面的整体表现
图像生成与编辑方向的对齐方法探索：深入研究图像生成模型（Text-to-Image / Image Editing 等）在真实使用场景中的失效模式，如语义偏移、指令遗漏、风格漂移、结构崩坏、幻觉生成等问题
探索并实践包括但不限于：
SFT / Preference Learning / RL-based 方法在图像生成中的应用
多模态 reward model 及 reward system 设计
Spatial difusion model RL 算法设计及实验验证
探索图像编辑能力与 agentic 能力结合，基于小红书的 deep research 能力，为用户在穿搭、家装场景等生活提供独特体验
探索图像生成能力与 thinking with generated images 结合提升模型的推理能力
跨职能协作与能力落地：与产品、工程、评测及安全团队紧密合作，将对齐与 post-train 成果落地到实际图像生成与编辑产品中，持续推动模型在可控性、稳定性与用户满意度上的提升
优先资格
加分项
在顶级学术会议（ICML、ICLR、NeurIPS、CVPR、ACL、AAAI 等）发表过与生成模型或多模态相关的研究成果
在 ACM/ICPC、NOI/IOI、Kaggle 等竞赛中取得优异成绩
参与过大规模图像生成 / 编辑模型的训练、对齐或评测项目
有 AI Alignment、Post-Training、Multi-Modal RL 或人类反馈建模相关经验
AI 洞察
优缺点分析
优点
- 深度参与下一代多模态基础模型的构建，技术前沿性强
- 小红书平台提供丰富的应用场景和数据，实验环境优越
- 与顶尖团队协作，接触最新研究成果和工程实践
- 对齐与后训练方向复杂，需要扎实的理论和实践功底
- 竞争激烈，需要持续学习最新技术
缺点 / 挑战
- 工作强度可能较高，互联网大厂节奏快
- 适合对多模态生成模型有浓厚兴趣、喜欢挑战前沿技术、具备较强工程和研究能力的算法工程师
角色解读
- 技术路线：从算法工程师成长为多模态对齐方向的专家，主导核心技术研发
- 管理路线：随着项目规模扩大，可向技术负责人或团队Leader发展
- 行业路线：积累前沿经验后，可转向AIGC、AI产品等领域的更高层职位
- 参与多模态大模型的后训练与对齐研究，优化模型在指令理解、规划、生成等方面的表现
- 探索图像生成与编辑中的对齐方法，包括SFT、偏好学习、强化学习等技术的应用
- 设计多模态奖励模型和强化学习算法，提升生成可控性与用户满意度
- 与产品、工程团队协作，将对齐成果落地到实际产品中
- 扎实的机器学习和深度学习基础，熟练使用PyTorch、JAX等框架
- 深入理解监督学习、强化学习、偏好学习等方法，并有生成模型或对齐方向的实践经验
- 优秀的实验设计与问题拆解能力，能从复杂现象中抽象问题并设计改进方案
- 熟悉图像生成、编辑、多模态模型的前沿技术，如Diffusion模型、RLHF等
申请策略
- 关注小红书在AIGC领域的布局，面试中展示对产品的理解
- 准备一个完整的项目案例，从问题定义到实验结论，体现系统性思维
- 突出生成模型或对齐方向的项目经历，如图像生成、编辑、RLHF等
- 展示顶会论文、竞赛获奖等加分项
- 强调实验设计和问题拆解能力，可附上具体案例
- 补充强化学习和偏好学习相关知识，如PPO、DPO等算法
- 熟悉Diffusion模型的最新变体及对齐方法
- 了解小红书业务特点，例如穿搭、家装等场景需求
面试指南
- STAR法则：描述情境、任务、行动和结果，突出个人贡献
- 对比分析法：对比不同方法或模型的优劣，展示技术深度
- 逻辑链条法：从问题发现到解决方案，逐步展示分析过程
- 请介绍一下你参与过的多模态生成模型项目，以及你在其中的贡献
- 解释一下RLHF在图像生成中的应用，与文本生成的差异是什么？
- 如何设计实验来评估图像编辑模型的对齐效果？
- 你对Post-Training的理解是什么？目前有哪些主流方法？
- 如果模型生成图像出现语义偏移，你如何进行根因分析和改进？
匹配度报告
76
综合匹配度
前沿多模态算法岗，技术成长极高，但工作生活平衡一般。
适合人群
最看重技术成长和前沿探索的求职者，能接受互联网工作节奏。
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60
使命价值70
薪资福利匹配
85较高
薪资水平位于互联网大厂核心算法岗市场水准，福利虽未在JD明确但大厂通常完善。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
90较高
技术栈前沿，涉及多模态、强化学习等热门方向，成长空间大。
技术前沿前沿/新兴技术
技术栈多模态、图像生成、强化学习、RLHF、Diffusion模型、SFT、Preference Learning
业务类型profit_center
工作生活匹配
60中等
工作模式未明确，互联网大厂通常需要现场办公且强度较高。
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
行业处于高速增长赛道，产品应用场景丰富，社会影响力中性。
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
小红书 的其他在招职位
相似职位推荐
Watch Jobs