主分类：AI训练推理与计算优化
辅助：大模型与生成式算法研发（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": "研究型实习生-视频生成中算法与系统相结合的优化研究",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里云",
"location": "北京",
"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": "计算机科学、人工智能、电子工程或相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "岗位概述：\n聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。\n岗位职责：\n1、前沿算法研究与创新：\n(1) 深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈；\n(2) 探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术；\n(3) 深入研究时空表征冗余消除技术，突破时空 Token 的同质化计算瓶颈。研发自适应缓存与特征复用机制，达成推理速度与视觉生成质量的最优平衡。\n2、系统级优化与实现：\n(1) 设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子；\n(2) 利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量；\n(3) 研究适用于高分辨率、超长视频生成的计算与内存优化技术。\n3、学术与技术影响力：\n（1）将研究成果发表在顶级AI会议，构建团队的行业影响力；\n（2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。",
"requirements_text": "1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历，博士优先；\n2、扎实的深度学习与计算机视觉基础，熟悉扩散模型、Transformer、生成式AI等核心技术；\n3、在文生图或文生视频领域有实际研究或项目经验，了解主流模型架构（如 Wanx、CogVideo等）；\n4、精通 PyTorch 框架，具备良好的代码工程能力；\n5、在 NeurIPS / ICML / CVPR / ICLR 等顶级会议发表过相关论文者优先；\n6、具备优秀的科研创新能力、问题抽象能力与跨团队协作精神。",
"skills": [AI生成
"PyTorch",
"深度学习",
"计算机视觉",
"团队协作"
],
"preferred_qualifications": "1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历，博士优先；5、在 NeurIPS / ICML / CVPR / ICLR 等顶级会议发表过相关论文者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199904500003?deptCodes="
}
]
},
"posting": {
"posting_id": "199904500003",
"post_date": "2026-04-21",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199904500003?deptCodes="
},
"fulltext": "研究型实习生-视频生成中算法与系统相结合的优化研究\n研究型实习生-视频生成中算法与系统相结合的优化研究\n\n基础信息\n毕业起止时间要求：2027-09-01 - 2031-08-31\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：北京\n\n职位描述\n岗位概述：\n聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。\n岗位职责：\n1、前沿算法研究与创新：\n(1) 深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈；\n(2) 探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术；\n(3) 深入研究时空表征冗余消除技术，突破时空 Token 的同质化计算瓶颈。研发自适应缓存与特征复用机制，达成推理速度与视觉生成质量的最优平衡。\n2、系统级优化与实现：\n(1) 设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子；\n(2) 利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量；\n(3) 研究适用于高分辨率、超长视频生成的计算与内存优化技术。\n3、学术与技术影响力：\n（1）将研究成果发表在顶级AI会议，构建团队的行业影响力；\n（2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。\n\n职位要求\n1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历，博士优先；\n2、扎实的深度学习与计算机视觉基础，熟悉扩散模型、Transformer、生成式AI等核心技术；\n3、在文生图或文生视频领域有实际研究或项目经验，了解主流模型架构（如 Wanx、CogVideo等）；\n4、精通 PyTorch 框架，具备良好的代码工程能力；\n5、在 NeurIPS / ICML / CVPR / ICLR 等顶级会议发表过相关论文者优先；\n6、具备优秀的科研创新能力、问题抽象能力与跨团队协作精神。\n\n在招业务\n阿里云\n岗位概述：\n聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。\n岗位职责：\n1、前沿算法研究与创新：\n(1) 深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈；\n(2) 探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术；\n(3) 深入研究时空表征冗余消除技术，突破时空 Token 的同质化计算瓶颈。研发自适应缓存与特征复用机制，达成推理速度与视觉生成质量的最优平衡。\n2、系统级优化与实现：\n(1) 设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子；\n(2) 利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量；\n(3) 研究适用于高分辨率、超长视频生成的计算与内存优化技术。\n3、学术与技术影响力：\n（1）将研究成果发表在顶级AI会议，构建团队的行业影响力；\n（2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。\n1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历，博士优先；\n2、扎实的深度学习与计算机视觉基础，熟悉扩散模型、Transformer、生成式AI等核心技术；\n3、在文生图或文生视频领域有实际研究或项目经验，了解主流模型架构（如 Wanx、CogVideo等）；\n4、精通 PyTorch 框架，具备良好的代码工程能力；\n5、在 NeurIPS / ICML / CVPR / ICLR 等顶级会议发表过相关论文者优先；\n6、具备优秀的科研创新能力、问题抽象能力与跨团队协作精神。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}