主分类：大模型与生成式算法研发
辅助：计算机视觉与图像感知算法研发（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": "高德-世界模型算法工程师-视觉团队",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "高德",
"company_industry": "数字地图 / 导航服务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "高德提供电子地图和导航服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机科学、人工智能、数学/物理等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "这个世界的运行机制是否是可计算的？世界的复杂性是否唯有用 AI 的复杂性来应对？人类是否可以造出一台机器，让未来就像过去一样历历在目？\n这些问题正在从思辨走向科学。当视频生成模型开始隐式学会重力与碰撞，当 3D 场景合成可以补全从未被观测的视角，当 action-conditioned generation 让智能体在虚拟世界中试错而非在真实世界中付出代价——通用世界模型的轮廓已经浮现。它不只是下一代生成式 AI，而是对物理现实的可计算镜像：给定任意初始状态与动作序列，推演出符合物理规律的未来。\n阿里巴巴旗下高德地图·视觉技术中心已经在这条路上深耕多年。我们拥有高德积累 20 年的海量真实时空数据，无限制的算力集群，以及一支在空间智能与生成式 AI 领域持续产出世界级成果的顶尖研究团队。\n现在，我们需要你的加入——与我们一起，把「让机器理解并预演物理世界」从可能变为现实。\n【岗位职责】\n1. 参与通用世界模型核心算法研发，包括但不限于视频生成、3D 场景合成、物理仿真等方向；\n2. 设计并优化大规模生成模型的训练与推理流程，在万卡集群上实现高效训练；\n3. 构建数据飞轮——从海量真实时空数据中提取高质量训练信号，持续提升模型对物理世界的理解能力；\n4. 将世界模型能力落地于自动驾驶仿真、导航场景预测、空间智能等实际业务场景。",
"requirements_text": "1. 计算机科学、人工智能、数学/物理等相关专业硕士及以上学历；\n2. 扎实的深度学习能力，精通 PyTorch，具备千卡以上分布式训练实战经验；\n3. 在以下至少一个方向有深入实践：视频生成（Diffusion/Autoregressive）、3D/4D 生成与重建（3DGS/LRM/3D Diffusion）、多模态大模型、强化学习、世界模型；\n4. 熟悉主流生成模型架构（DiT、AR-DiT、Flow Matching、Diffusion Forcing 等），有从零搭建或深度改造经验者优先；\n5. 良好的系统品味，能在算法创新与系统效率之间找到最优平衡。\n【加分项】\n1. 顶会论文发表（CVPR/ICCV/NeurIPS/ICML/ICLR 等）；\n2. 参与过知名世界模型/视频生成项目；\n3. 有游戏引擎或物理仿真开发经验。",
"skills": [AI生成
"PyTorch",
"深度学习",
"强化学习",
"学习能力",
"大语言模型"
],
"preferred_qualifications": "4. 熟悉主流生成模型架构（DiT、AR-DiT、Flow Matching、Diffusion Forcing 等），有从零搭建或深度改造经验者优先；【加分项】",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.amap.com/off-campus/position-detail?positionId=100009320004"
}
]
},
"posting": {
"posting_id": "100009320004",
"post_date": "2026-09-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.amap.com/off-campus/position-detail?positionId=100009320004"
},
"fulltext": "高德-世界模型算法工程师-视觉团队\n高德-世界模型算法工程师-视觉团队\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京\n\n职位描述\n这个世界的运行机制是否是可计算的？世界的复杂性是否唯有用 AI 的复杂性来应对？人类是否可以造出一台机器，让未来就像过去一样历历在目？\n这些问题正在从思辨走向科学。当视频生成模型开始隐式学会重力与碰撞，当 3D 场景合成可以补全从未被观测的视角，当 action-conditioned generation 让智能体在虚拟世界中试错而非在真实世界中付出代价——通用世界模型的轮廓已经浮现。它不只是下一代生成式 AI，而是对物理现实的可计算镜像：给定任意初始状态与动作序列，推演出符合物理规律的未来。\n阿里巴巴旗下高德地图·视觉技术中心已经在这条路上深耕多年。我们拥有高德积累 20 年的海量真实时空数据，无限制的算力集群，以及一支在空间智能与生成式 AI 领域持续产出世界级成果的顶尖研究团队。\n现在，我们需要你的加入——与我们一起，把「让机器理解并预演物理世界」从可能变为现实。\n【岗位职责】\n1. 参与通用世界模型核心算法研发，包括但不限于视频生成、3D 场景合成、物理仿真等方向；\n2. 设计并优化大规模生成模型的训练与推理流程，在万卡集群上实现高效训练；\n3. 构建数据飞轮——从海量真实时空数据中提取高质量训练信号，持续提升模型对物理世界的理解能力；\n4. 将世界模型能力落地于自动驾驶仿真、导航场景预测、空间智能等实际业务场景。\n\n职位要求\n1. 计算机科学、人工智能、数学/物理等相关专业硕士及以上学历；\n2. 扎实的深度学习能力，精通 PyTorch，具备千卡以上分布式训练实战经验；\n3. 在以下至少一个方向有深入实践：视频生成（Diffusion/Autoregressive）、3D/4D 生成与重建（3DGS/LRM/3D Diffusion）、多模态大模型、强化学习、世界模型；\n4. 熟悉主流生成模型架构（DiT、AR-DiT、Flow Matching、Diffusion Forcing 等），有从零搭建或深度改造经验者优先；\n5. 良好的系统品味，能在算法创新与系统效率之间找到最优平衡。\n【加分项】\n1. 顶会论文发表（CVPR/ICCV/NeurIPS/ICML/ICLR 等）；\n2. 参与过知名世界模型/视频生成项目；\n3. 有游戏引擎或物理仿真开发经验。\n这个世界的运行机制是否是可计算的？世界的复杂性是否唯有用 AI 的复杂性来应对？人类是否可以造出一台机器，让未来就像过去一样历历在目？\n这些问题正在从思辨走向科学。当视频生成模型开始隐式学会重力与碰撞，当 3D 场景合成可以补全从未被观测的视角，当 action-conditioned generation 让智能体在虚拟世界中试错而非在真实世界中付出代价——通用世界模型的轮廓已经浮现。它不只是下一代生成式 AI，而是对物理现实的可计算镜像：给定任意初始状态与动作序列，推演出符合物理规律的未来。\n阿里巴巴旗下高德地图·视觉技术中心已经在这条路上深耕多年。我们拥有高德积累 20 年的海量真实时空数据，无限制的算力集群，以及一支在空间智能与生成式 AI 领域持续产出世界级成果的顶尖研究团队。\n现在，我们需要你的加入——与我们一起，把「让机器理解并预演物理世界」从可能变为现实。\n【岗位职责】\n1. 参与通用世界模型核心算法研发，包括但不限于视频生成、3D 场景合成、物理仿真等方向；\n2. 设计并优化大规模生成模型的训练与推理流程，在万卡集群上实现高效训练；\n3. 构建数据飞轮——从海量真实时空数据中提取高质量训练信号，持续提升模型对物理世界的理解能力；\n4. 将世界模型能力落地于自动驾驶仿真、导航场景预测、空间智能等实际业务场景。\n1. 计算机科学、人工智能、数学/物理等相关专业硕士及以上学历；\n2. 扎实的深度学习能力，精通 PyTorch，具备千卡以上分布式训练实战经验；\n3. 在以下至少一个方向有深入实践：视频生成（Diffusion/Autoregressive）、3D/4D 生成与重建（3DGS/LRM/3D Diffusion）、多模态大模型、强化学习、世界模型；\n4. 熟悉主流生成模型架构（DiT、AR-DiT、Flow Matching、Diffusion Forcing 等），有从零搭建或深度改造经验者优先；\n5. 良好的系统品味，能在算法创新与系统效率之间找到最优平衡。\n【加分项】\n1. 顶会论文发表（CVPR/ICCV/NeurIPS/ICML/ICLR 等）；\n2. 参与过知名世界模型/视频生成项目；\n3. 有游戏引擎或物理仿真开发经验。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T034"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}