{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "【实习】AI智能创作-剪映（北京/上海/深圳）",
        "job_level": "实习",AI生成
        "work_category": "实习",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": "博士在读",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：负责剪映CapCut、醒图Hypic、即梦Dreamina以及小云雀Pippit等创作工具的算法和数据相关，具体包括各产品的用户增长、内容分发与生态、商业化以及AI创作等，同时也会做深入的技术探索赋能业务，如LRM\\GR\\LLM4rec以及AIGC等相关研究。\n\n课题介绍：当前创作工具（如剪映/CapCut）仍以工具化为主，用户需要手动完成选素材、剪辑、调节节奏等复杂流程，创作门槛较高。同时，内容供给主要依赖人工设计模板与素材，难以快速响应热点和用户个性化需求；推荐系统与创作系统割裂，导致用户兴趣与内容生产之间缺乏联动。\n本课题旨在构建一个以大模型为核心的AI智能创作系统，打通“用户意图理解—个性化内容生成—推荐分发”的全链路，实现从工具型创作向智能创作系统的升级，在剪映、CapCut、即梦等场景中提升创作效率与内容供给质量，实现内容的规模化生产与千人千面的个性化表达。\n\n具体包括：\n1、基于用户行为、历史偏好与上下文的创作意图理解与个性化表征学习；\n2、基于多模态大模型的内容理解与结构化建模（视频结构、节奏、美学与风格）；\n3、基于用户兴趣与创作意图驱动的个性化内容生成（模板、图片、视频、音乐）；\n4、基于用户上传素材的个性化自动成片与剪辑策略生成（节奏、风格、叙事）；\n5、基于热点、推荐与搜索线索的内容生成与供给扩展，并结合用户画像实现差异化生成；\n6、推荐系统与生成模型的联合优化，实现“为用户生成内容”的生成式推荐范式；\n7、超长用户行为序列建模与长期/短期创作偏好建模；\n8、面向创作场景的大模型推理优化与系统性能优化（分层推理、模型压缩等）。\n\n课题挑战：创作场景的AI智能化面临多重挑战。首先，用户创作意图具有高度个性化和隐式性，如何从用户行为、素材及上下文中准确理解其创作目标，并进一步转化为可生成的内容表达，是核心难点。其次，短视频等内容形态具备强多模态特征（视频、图像、音频、文本），需要模型具备高水平的跨模态理解与生成能力。同时，生成内容不仅需要具备美感和创意，还需要满足个性化表达与推荐分发效果（如点击率、完播率、转化率），如何实现“个性化生成”与“推荐效果优化”的统一，是关键挑战。此外，推荐系统对延迟和工程效率要求极高，大模型的引入带来算力与系统复杂度挑战，需要在效果、成本与性能之间取得平衡。因此，有必要构建一套面向创作场景的AI原生系统范式，实现内容生产与分发的一体化升级。\n\n课题价值：构建AI原生创作系统，打通理解、生成与分发闭环，实现内容生产与推荐一体化升级。",
        "requirements_text": "1、2027届及以后毕业，博士在读，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及LLM等相关技术，具备良好的数理基础；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态，语言大模型领域有相关经验；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。",
        "skills": [AI生成
            "机器学习",
            "大语言模型"
        ],
        "preferred_qualifications": "1、2027届及以后毕业，博士在读，计算机、软件、人工智能、数学等相关专业优先；5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7628125434483558709/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7628125434483558709",
        "post_date": "2026-04-13",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7628125434483558709/detail"
    },
    "fulltext": "【实习】AI智能创作-剪映（北京/上海/深圳）\n职位描述\n团队介绍：负责剪映CapCut、醒图Hypic、即梦Dreamina以及小云雀Pippit等创作工具的算法和数据相关，具体包括各产品的用户增长、内容分发与生态、商业化以及AI创作等，同时也会做深入的技术探索赋能业务，如LRM\\GR\\LLM4rec以及AIGC等相关研究。\n\n课题介绍：当前创作工具（如剪映/CapCut）仍以工具化为主，用户需要手动完成选素材、剪辑、调节节奏等复杂流程，创作门槛较高。同时，内容供给主要依赖人工设计模板与素材，难以快速响应热点和用户个性化需求；推荐系统与创作系统割裂，导致用户兴趣与内容生产之间缺乏联动。\n本课题旨在构建一个以大模型为核心的AI智能创作系统，打通“用户意图理解—个性化内容生成—推荐分发”的全链路，实现从工具型创作向智能创作系统的升级，在剪映、CapCut、即梦等场景中提升创作效率与内容供给质量，实现内容的规模化生产与千人千面的个性化表达。\n\n具体包括：\n1、基于用户行为、历史偏好与上下文的创作意图理解与个性化表征学习；\n2、基于多模态大模型的内容理解与结构化建模（视频结构、节奏、美学与风格）；\n3、基于用户兴趣与创作意图驱动的个性化内容生成（模板、图片、视频、音乐）；\n4、基于用户上传素材的个性化自动成片与剪辑策略生成（节奏、风格、叙事）；\n5、基于热点、推荐与搜索线索的内容生成与供给扩展，并结合用户画像实现差异化生成；\n6、推荐系统与生成模型的联合优化，实现“为用户生成内容”的生成式推荐范式；\n7、超长用户行为序列建模与长期/短期创作偏好建模；\n8、面向创作场景的大模型推理优化与系统性能优化（分层推理、模型压缩等）。\n\n课题挑战：创作场景的AI智能化面临多重挑战。首先，用户创作意图具有高度个性化和隐式性，如何从用户行为、素材及上下文中准确理解其创作目标，并进一步转化为可生成的内容表达，是核心难点。其次，短视频等内容形态具备强多模态特征（视频、图像、音频、文本），需要模型具备高水平的跨模态理解与生成能力。同时，生成内容不仅需要具备美感和创意，还需要满足个性化表达与推荐分发效果（如点击率、完播率、转化率），如何实现“个性化生成”与“推荐效果优化”的统一，是关键挑战。此外，推荐系统对延迟和工程效率要求极高，大模型的引入带来算力与系统复杂度挑战，需要在效果、成本与性能之间取得平衡。因此，有必要构建一套面向创作场景的AI原生系统范式，实现内容生产与分发的一体化升级。\n\n课题价值：构建AI原生创作系统，打通理解、生成与分发闭环，实现内容生产与推荐一体化升级。\n\n职位要求\n1、2027届及以后毕业，博士在读，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及LLM等相关技术，具备良好的数理基础；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态，语言大模型领域有相关经验；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。\n团队介绍：负责剪映CapCut、醒图Hypic、即梦Dreamina以及小云雀Pippit等创作工具的算法和数据相关，具体包括各产品的用户增长、内容分发与生态、商业化以及AI创作等，同时也会做深入的技术探索赋能业务，如LRM\\GR\\LLM4rec以及AIGC等相关研究。\n\n课题介绍：当前创作工具（如剪映/CapCut）仍以工具化为主，用户需要手动完成选素材、剪辑、调节节奏等复杂流程，创作门槛较高。同时，内容供给主要依赖人工设计模板与素材，难以快速响应热点和用户个性化需求；推荐系统与创作系统割裂，导致用户兴趣与内容生产之间缺乏联动。\n本课题旨在构建一个以大模型为核心的AI智能创作系统，打通“用户意图理解—个性化内容生成—推荐分发”的全链路，实现从工具型创作向智能创作系统的升级，在剪映、CapCut、即梦等场景中提升创作效率与内容供给质量，实现内容的规模化生产与千人千面的个性化表达。\n\n具体包括：\n1、基于用户行为、历史偏好与上下文的创作意图理解与个性化表征学习；\n2、基于多模态大模型的内容理解与结构化建模（视频结构、节奏、美学与风格）；\n3、基于用户兴趣与创作意图驱动的个性化内容生成（模板、图片、视频、音乐）；\n4、基于用户上传素材的个性化自动成片与剪辑策略生成（节奏、风格、叙事）；\n5、基于热点、推荐与搜索线索的内容生成与供给扩展，并结合用户画像实现差异化生成；\n6、推荐系统与生成模型的联合优化，实现“为用户生成内容”的生成式推荐范式；\n7、超长用户行为序列建模与长期/短期创作偏好建模；\n8、面向创作场景的大模型推理优化与系统性能优化（分层推理、模型压缩等）。\n\n课题挑战：创作场景的AI智能化面临多重挑战。首先，用户创作意图具有高度个性化和隐式性，如何从用户行为、素材及上下文中准确理解其创作目标，并进一步转化为可生成的内容表达，是核心难点。其次，短视频等内容形态具备强多模态特征（视频、图像、音频、文本），需要模型具备高水平的跨模态理解与生成能力。同时，生成内容不仅需要具备美感和创意，还需要满足个性化表达与推荐分发效果（如点击率、完播率、转化率），如何实现“个性化生成”与“推荐效果优化”的统一，是关键挑战。此外，推荐系统对延迟和工程效率要求极高，大模型的引入带来算力与系统复杂度挑战，需要在效果、成本与性能之间取得平衡。因此，有必要构建一套面向创作场景的AI原生系统范式，实现内容生产与分发的一体化升级。\n\n课题价值：构建AI原生创作系统，打通理解、生成与分发闭环，实现内容生产与推荐一体化升级。\n1、2027届及以后毕业，博士在读，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及LLM等相关技术，具备良好的数理基础；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态，语言大模型领域有相关经验；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [
            "T011"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}