主分类：计算机视觉与图像感知算法研发
辅助：AI训练推理与计算优化（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "模型优化算法专家-PICO",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、面向XR眼镜“端侧采集-传输-云端理解/识别”的全链路，设计并落地端云协同的内容压缩与传输方案，在低时延、低功耗、弱网鲁棒的约束下，保证云端模型任务精度不下降并满足可上线交付标准；\n2、探索并落地结合VLM，提升XR交互效率与用户体验：利用语义理解与目标/区域重要性建模进行码率分配、Token裁剪、模型部署或云端优化方案（如投机采样、模型量化），包括GUI交互优化及基于环境的主动推荐系统；\n3、研究并实现面向XR场景的图像压缩算法体系（预测/熵编码/率失真优化/感知优化等），针对端侧算力、带宽与功耗约束进行工程化优化与性能分析；\n4、构建评测与数据闭环：定义AR/XR场景压缩指标与验收协议（码率、端到端时延、功耗、画质指标及任务指标），建立可复现的端云联合评测、回归与A/B验证体系，驱动策略与模型持续迭代。",
"requirements_text": "1、本科及以上学历，计算机、电子、数学等相关专业；\n2、熟练使用C/C++/Python之一或多种，具备良好的工程习惯与性能优化能力；\n3、有VLM应用与优化经验：能够在压缩链路中引入VLM进行语义理解/重要性建模/区域标注或质量控制，具备模型部署或云端服务化经验（如投机采样、模型量化）、Token裁剪后训练算法（SFT+RL）；\n4、具备“端侧-云端”联合优化相关研发经验，能独立完成算法设计、性能剖析与工程落地，且有可量化成果，如码率降低、延迟降低、功耗降低中的一种或多种；\n5、具备端云协同系统设计与优化实践：熟悉端侧推理/多线程与内存优化、硬件加速（如GPU/NPU/DSP）、网络自适应（拥塞控制/码率自适应/重传策略）中的一种或多种。\n\n加分项：\n1、具有扎实的算法和机器学习基础，熟悉LLM、VLM、Agent等领域技术；或在顶级会议上发表过论文；\n2、在真实产品中实现过显著业务收益：有AR/VR/MR或移动端相关经验；或作为核心成员解决过“端侧采集-传输-云端理解/识别”传输受限场景下的大模型部署的关键问题；\n3、有结合深度学习进行压缩（如超分/去噪辅助、感知损失/对抗训练等）或后处理的实践，如SFT、RL（PPO、GRPO、GenRM）等，并实现出显著的性能与效果提升。",
"skills": [AI生成
"Python",
"C++",
"机器学习",
"深度学习",
"算法设计",
"性能优化",
"建模",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7600661640444922117/detail"
}
]
},
"posting": {
"posting_id": "7600661640444922117",
"post_date": "2026-01-29",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7600661640444922117/detail"
},
"fulltext": "模型优化算法专家-PICO\n职位描述\n1、面向XR眼镜“端侧采集-传输-云端理解/识别”的全链路，设计并落地端云协同的内容压缩与传输方案，在低时延、低功耗、弱网鲁棒的约束下，保证云端模型任务精度不下降并满足可上线交付标准；\n2、探索并落地结合VLM，提升XR交互效率与用户体验：利用语义理解与目标/区域重要性建模进行码率分配、Token裁剪、模型部署或云端优化方案（如投机采样、模型量化），包括GUI交互优化及基于环境的主动推荐系统；\n3、研究并实现面向XR场景的图像压缩算法体系（预测/熵编码/率失真优化/感知优化等），针对端侧算力、带宽与功耗约束进行工程化优化与性能分析；\n4、构建评测与数据闭环：定义AR/XR场景压缩指标与验收协议（码率、端到端时延、功耗、画质指标及任务指标），建立可复现的端云联合评测、回归与A/B验证体系，驱动策略与模型持续迭代。\n\n职位要求\n1、本科及以上学历，计算机、电子、数学等相关专业；\n2、熟练使用C/C++/Python之一或多种，具备良好的工程习惯与性能优化能力；\n3、有VLM应用与优化经验：能够在压缩链路中引入VLM进行语义理解/重要性建模/区域标注或质量控制，具备模型部署或云端服务化经验（如投机采样、模型量化）、Token裁剪后训练算法（SFT+RL）；\n4、具备“端侧-云端”联合优化相关研发经验，能独立完成算法设计、性能剖析与工程落地，且有可量化成果，如码率降低、延迟降低、功耗降低中的一种或多种；\n5、具备端云协同系统设计与优化实践：熟悉端侧推理/多线程与内存优化、硬件加速（如GPU/NPU/DSP）、网络自适应（拥塞控制/码率自适应/重传策略）中的一种或多种。\n\n加分项：\n1、具有扎实的算法和机器学习基础，熟悉LLM、VLM、Agent等领域技术；或在顶级会议上发表过论文；\n2、在真实产品中实现过显著业务收益：有AR/VR/MR或移动端相关经验；或作为核心成员解决过“端侧采集-传输-云端理解/识别”传输受限场景下的大模型部署的关键问题；\n3、有结合深度学习进行压缩（如超分/去噪辅助、感知损失/对抗训练等）或后处理的实践，如SFT、RL（PPO、GRPO、GenRM）等，并实现出显著的性能与效果提升。\n1、面向XR眼镜“端侧采集-传输-云端理解/识别”的全链路，设计并落地端云协同的内容压缩与传输方案，在低时延、低功耗、弱网鲁棒的约束下，保证云端模型任务精度不下降并满足可上线交付标准；\n2、探索并落地结合VLM，提升XR交互效率与用户体验：利用语义理解与目标/区域重要性建模进行码率分配、Token裁剪、模型部署或云端优化方案（如投机采样、模型量化），包括GUI交互优化及基于环境的主动推荐系统；\n3、研究并实现面向XR场景的图像压缩算法体系（预测/熵编码/率失真优化/感知优化等），针对端侧算力、带宽与功耗约束进行工程化优化与性能分析；\n4、构建评测与数据闭环：定义AR/XR场景压缩指标与验收协议（码率、端到端时延、功耗、画质指标及任务指标），建立可复现的端云联合评测、回归与A/B验证体系，驱动策略与模型持续迭代。\n1、本科及以上学历，计算机、电子、数学等相关专业；\n2、熟练使用C/C++/Python之一或多种，具备良好的工程习惯与性能优化能力；\n3、有VLM应用与优化经验：能够在压缩链路中引入VLM进行语义理解/重要性建模/区域标注或质量控制，具备模型部署或云端服务化经验（如投机采样、模型量化）、Token裁剪后训练算法（SFT+RL）；\n4、具备“端侧-云端”联合优化相关研发经验，能独立完成算法设计、性能剖析与工程落地，且有可量化成果，如码率降低、延迟降低、功耗降低中的一种或多种；\n5、具备端云协同系统设计与优化实践：熟悉端侧推理/多线程与内存优化、硬件加速（如GPU/NPU/DSP）、网络自适应（拥塞控制/码率自适应/重传策略）中的一种或多种。\n\n加分项：\n1、具有扎实的算法和机器学习基础，熟悉LLM、VLM、Agent等领域技术；或在顶级会议上发表过论文；\n2、在真实产品中实现过显著业务收益：有AR/VR/MR或移动端相关经验；或作为核心成员解决过“端侧采集-传输-云端理解/识别”传输受限场景下的大模型部署的关键问题；\n3、有结合深度学习进行压缩（如超分/去噪辅助、感知损失/对抗训练等）或后处理的实践，如SFT、RL（PPO、GRPO、GenRM）等，并实现出显著的性能与效果提升。",
"standard_classification": {
"std_category_code": "T034",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}