主分类：大模型与生成式算法研发
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": "图像生成模型工程师-生图模型后训练",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里云",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里云",
"company_industry": "云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "深入阿里云各行业客户的真实业务场景，基于多模态生成大模型如Wan、Qwen-Image、Z-Image等，攻克一致性与可控性难题，打造高效率、个性化的AI视觉内容供给模式，实现学术研究与商业产出的双重价值。\n工作内容包括并不限于： \n1.前沿技术攻关：聚焦生图模型领域，解决“角色/主体一致性”难题，攻克复杂的多轮生成、跨图一致性及风格迁移等技术难点； \n2.算法优化与落地：提升模型在图像编辑任务（如局部重绘、背景替换、风格迁移）中的指令遵循能力，确保编辑区域精准变化的同时保持全局协调； \n3.学术产出与创新： 在资深Mentor指导下进行技术研究，针对上述难点提出创新性解决方案，目标产出高质量顶会（CVPR/ICCV/ECCV等）论文及技术专利；\n4.业务协同： 推动核心算法在电商、营销、设计、游戏、教育等实际业务场景的落地，直接参与提升模型商业化应用效果。",
"requirements_text": "1. 硕士及以上学历，计算机、人工智能、模式识别、机器学习等相关专业，有扎实的理论基础和丰富的实践经验； \n2. 具备优秀的编码能力与数据结构基础，熟练掌握Python，有ACM-ICPC、NOI等算法竞赛奖牌者优先； \n3. 熟悉PyTorch等主流深度学习框架，熟悉分布式训练框架（如Pytorch2, DeepSpeed等），熟悉扩散模型（Diffusion Models）、Transformer等主流架构，有大模型微调（SFT）、RLHF/DPO或多模态大模型（如QwenVL/Stable Diffusion/FLUX等）相关项目经验者优先； \n4. 在CVPR, ICCV, ECCV, ICML, NeurIPS, ICLR等国际顶级会议发表过多模态/CV相关论文者优先； \n5. 具备极强的钻研精神和解决复杂问题的热情，逻辑清晰，沟通协作能力强。",
"skills": [AI生成
"Python",
"PyTorch",
"机器学习",
"深度学习",
"数据结构",
"模型微调",
"大语言模型"
],
"preferred_qualifications": "2. 具备优秀的编码能力与数据结构基础，熟练掌握Python，有ACM-ICPC、NOI等算法竞赛奖牌者优先；3. 熟悉PyTorch等主流深度学习框架，熟悉分布式训练框架（如Pytorch2, DeepSpeed等），熟悉扩散模型（Diffusion Models）、Transformer等主流架构，有大模型微调（SFT）、RLHF/DPO或多模态大模型（如QwenVL/Stable Diffusion/FLUX等）相关项目经验者优先；4. 在CVPR, ICCV, ECCV, ICML, NeurIPS, ICLR等国际顶级会议发表过多模态/CV相关论文者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199904380002?deptCodes="
}
]
},
"posting": {
"posting_id": "199904380002",
"post_date": "2026-04-13",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199904380002?deptCodes="
},
"fulltext": "图像生成模型工程师-生图模型后训练\n图像生成模型工程师-生图模型后训练\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2030-01-01\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：杭州\n\n职位描述\n深入阿里云各行业客户的真实业务场景，基于多模态生成大模型如Wan、Qwen-Image、Z-Image等，攻克一致性与可控性难题，打造高效率、个性化的AI视觉内容供给模式，实现学术研究与商业产出的双重价值。\n工作内容包括并不限于： \n1.前沿技术攻关：聚焦生图模型领域，解决“角色/主体一致性”难题，攻克复杂的多轮生成、跨图一致性及风格迁移等技术难点； \n2.算法优化与落地：提升模型在图像编辑任务（如局部重绘、背景替换、风格迁移）中的指令遵循能力，确保编辑区域精准变化的同时保持全局协调； \n3.学术产出与创新： 在资深Mentor指导下进行技术研究，针对上述难点提出创新性解决方案，目标产出高质量顶会（CVPR/ICCV/ECCV等）论文及技术专利；\n4.业务协同： 推动核心算法在电商、营销、设计、游戏、教育等实际业务场景的落地，直接参与提升模型商业化应用效果。\n\n职位要求\n1. 硕士及以上学历，计算机、人工智能、模式识别、机器学习等相关专业，有扎实的理论基础和丰富的实践经验； \n2. 具备优秀的编码能力与数据结构基础，熟练掌握Python，有ACM-ICPC、NOI等算法竞赛奖牌者优先； \n3. 熟悉PyTorch等主流深度学习框架，熟悉分布式训练框架（如Pytorch2, DeepSpeed等），熟悉扩散模型（Diffusion Models）、Transformer等主流架构，有大模型微调（SFT）、RLHF/DPO或多模态大模型（如QwenVL/Stable Diffusion/FLUX等）相关项目经验者优先； \n4. 在CVPR, ICCV, ECCV, ICML, NeurIPS, ICLR等国际顶级会议发表过多模态/CV相关论文者优先； \n5. 具备极强的钻研精神和解决复杂问题的热情，逻辑清晰，沟通协作能力强。\n\n在招业务\n阿里云\n深入阿里云各行业客户的真实业务场景，基于多模态生成大模型如Wan、Qwen-Image、Z-Image等，攻克一致性与可控性难题，打造高效率、个性化的AI视觉内容供给模式，实现学术研究与商业产出的双重价值。\n工作内容包括并不限于： \n1.前沿技术攻关：聚焦生图模型领域，解决“角色/主体一致性”难题，攻克复杂的多轮生成、跨图一致性及风格迁移等技术难点； \n2.算法优化与落地：提升模型在图像编辑任务（如局部重绘、背景替换、风格迁移）中的指令遵循能力，确保编辑区域精准变化的同时保持全局协调； \n3.学术产出与创新： 在资深Mentor指导下进行技术研究，针对上述难点提出创新性解决方案，目标产出高质量顶会（CVPR/ICCV/ECCV等）论文及技术专利；\n4.业务协同： 推动核心算法在电商、营销、设计、游戏、教育等实际业务场景的落地，直接参与提升模型商业化应用效果。\n1. 硕士及以上学历，计算机、人工智能、模式识别、机器学习等相关专业，有扎实的理论基础和丰富的实践经验； \n2. 具备优秀的编码能力与数据结构基础，熟练掌握Python，有ACM-ICPC、NOI等算法竞赛奖牌者优先； \n3. 熟悉PyTorch等主流深度学习框架，熟悉分布式训练框架（如Pytorch2, DeepSpeed等），熟悉扩散模型（Diffusion Models）、Transformer等主流架构，有大模型微调（SFT）、RLHF/DPO或多模态大模型（如QwenVL/Stable Diffusion/FLUX等）相关项目经验者优先； \n4. 在CVPR, ICCV, ECCV, ICML, NeurIPS, ICLR等国际顶级会议发表过多模态/CV相关论文者优先； \n5. 具备极强的钻研精神和解决复杂问题的热情，逻辑清晰，沟通协作能力强。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}