{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "端到端视频编解码算法工程师 - 音视频技术",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京、杭州、上海",
        "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": "2027届获得硕士及以上学位",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节跳动全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。\n\n1、端到端视频压缩框架研究与实现：参与设计并实现高压缩率、低复杂度的端到端压缩网络，攻坚1080p视频实时解码，并以压缩性能超越H.266/VVC为目标；\n2、模型设计与性能优化：围绕主流研究方向，研究率失真优化、部署友好的时空上下文建模、熵建模、码率控制等核心模块的设计，持续提升端到端压缩性能增益；\n3、模型高性能推理优化：探索量化、剪枝、蒸馏等模型轻量化策略和算子融合等计算图优化技术，全链路优化推理计算、并行调度与访存开销，实现神经网络面向目标硬件的高性能部署；\n4、系统化评测与分析：设计一体化编解码器评测体系，量化各模块计算复杂度，系统性剖析端到端性能瓶颈并迭代优化，实现率-失真-复杂度的联合优化。",
        "requirements_text": "1、2027届获得硕士及以上学位，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先；\n2、理解深度学习基本原理，熟悉CNN、Transformer等主流网络结构；对视频/图像压缩、信号处理、信息论有基本的理论储备；\n3、有实际的深度学习项目经验，能够独立完成模型的设计、训练、调试与评估；\n4、对视频编码与深度学习的交叉领域怀有浓厚兴趣，有持续追踪和学习前沿技术的热情与主动性；\n5、具备优秀的逻辑思维与问题分析能力，能够系统性地定位、分析并解决科研或工程中遇到的问题。\n\n加分项：\n1、在相关领域顶级会议/期刊发表过论文，或有开源项目贡献经验；\n2、熟悉JPEG-AI/IEEE1857/MPEG-VCM等端到端压缩标准或H.265、H.266等视频编码标准；\n3、具备GPU/NPU平台的性能优化经验或端上模型部署经验。",
        "skills": [AI生成
            "深度学习",
            "性能优化",
            "信号处理",
            "逻辑思维",
            "分析能力"
        ],
        "preferred_qualifications": "1、2027届获得硕士及以上学位，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先；加分项：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7664640729823234309/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7664640729823234309",
        "post_date": "2026-07-21",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7664640729823234309/detail"
    },
    "fulltext": "端到端视频编解码算法工程师 - 音视频技术\n职位描述\n团队介绍：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节跳动全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。\n\n1、端到端视频压缩框架研究与实现：参与设计并实现高压缩率、低复杂度的端到端压缩网络，攻坚1080p视频实时解码，并以压缩性能超越H.266/VVC为目标；\n2、模型设计与性能优化：围绕主流研究方向，研究率失真优化、部署友好的时空上下文建模、熵建模、码率控制等核心模块的设计，持续提升端到端压缩性能增益；\n3、模型高性能推理优化：探索量化、剪枝、蒸馏等模型轻量化策略和算子融合等计算图优化技术，全链路优化推理计算、并行调度与访存开销，实现神经网络面向目标硬件的高性能部署；\n4、系统化评测与分析：设计一体化编解码器评测体系，量化各模块计算复杂度，系统性剖析端到端性能瓶颈并迭代优化，实现率-失真-复杂度的联合优化。\n\n职位要求\n1、2027届获得硕士及以上学位，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先；\n2、理解深度学习基本原理，熟悉CNN、Transformer等主流网络结构；对视频/图像压缩、信号处理、信息论有基本的理论储备；\n3、有实际的深度学习项目经验，能够独立完成模型的设计、训练、调试与评估；\n4、对视频编码与深度学习的交叉领域怀有浓厚兴趣，有持续追踪和学习前沿技术的热情与主动性；\n5、具备优秀的逻辑思维与问题分析能力，能够系统性地定位、分析并解决科研或工程中遇到的问题。\n\n加分项：\n1、在相关领域顶级会议/期刊发表过论文，或有开源项目贡献经验；\n2、熟悉JPEG-AI/IEEE1857/MPEG-VCM等端到端压缩标准或H.265、H.266等视频编码标准；\n3、具备GPU/NPU平台的性能优化经验或端上模型部署经验。\n团队介绍：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节跳动全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。\n\n1、端到端视频压缩框架研究与实现：参与设计并实现高压缩率、低复杂度的端到端压缩网络，攻坚1080p视频实时解码，并以压缩性能超越H.266/VVC为目标；\n2、模型设计与性能优化：围绕主流研究方向，研究率失真优化、部署友好的时空上下文建模、熵建模、码率控制等核心模块的设计，持续提升端到端压缩性能增益；\n3、模型高性能推理优化：探索量化、剪枝、蒸馏等模型轻量化策略和算子融合等计算图优化技术，全链路优化推理计算、并行调度与访存开销，实现神经网络面向目标硬件的高性能部署；\n4、系统化评测与分析：设计一体化编解码器评测体系，量化各模块计算复杂度，系统性剖析端到端性能瓶颈并迭代优化，实现率-失真-复杂度的联合优化。\n1、2027届获得硕士及以上学位，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先；\n2、理解深度学习基本原理，熟悉CNN、Transformer等主流网络结构；对视频/图像压缩、信号处理、信息论有基本的理论储备；\n3、有实际的深度学习项目经验，能够独立完成模型的设计、训练、调试与评估；\n4、对视频编码与深度学习的交叉领域怀有浓厚兴趣，有持续追踪和学习前沿技术的热情与主动性；\n5、具备优秀的逻辑思维与问题分析能力，能够系统性地定位、分析并解决科研或工程中遇到的问题。\n\n加分项：\n1、在相关领域顶级会议/期刊发表过论文，或有开源项目贡献经验；\n2、熟悉JPEG-AI/IEEE1857/MPEG-VCM等端到端压缩标准或H.265、H.266等视频编码标准；\n3、具备GPU/NPU平台的性能优化经验或端上模型部署经验。",
    "standard_classification": {
        "std_category_code": "T034",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}