主分类：数据工程与数据平台研发
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": "算法工程师-数据算法（多模态生成方向）",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "Token Foundry",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里巴巴集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 1,
"degree": "计算机、人工智能、数学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": "本岗位面向多模态生成模型的各训练阶段的高质量数据算法需求，聚焦于构建高效、高精准、细粒度的多模态数据pipeline：\n1. 多模态数据体系构建：负责视频生成模型全阶段训练（预训练、SFT、后训练/RL）所需多模态数据对齐的算法建设，构建面向垂类场景的高质量、结构化的多模态对齐数据体系；\n2. 数据筛选与合成算法：设计并落地从海量多模态数据中筛选/合成高价值数据的算法链路，包括音视频质量评估、美学打分、运动分析、时序切分、去重与分布均衡等。\n3. 视频描述与对齐算法：构建高精度视频 Caption 体系（密集描述、结构化标签、时序事件描述），持续提升文本-视频对齐质量与粒度。\n4. 数据-算法闭环：建立数据质量与模型效果的评估归因体系，结合业务需求推动\"\"数据构建 → 模型训练 → 效果评估 → 数据迭代\"\"的闭环持续优化。",
"requirements_text": "1. 计算机、人工智能、数学等相关专业硕士及以上学历，1 年以上多模态/生成模型相关经验；\n2. 具备扎实的多模态理解与生成技术基础，熟悉主流视频生成模型架构（DiT、Diffusion/Flow Matching、VAE、CLIP/VLM 对齐等）；\n3. 具备高质量多模态数据构建能力，包括大规模数据清洗、增强、合成与标注体系设计，有 TB/PB 级视频数据处理流水线经验优先；\n4. 熟练掌握多模态大模型相关的后训练技术（SFT、DPO、Flow-GRPO 等）；\n5. 具备从数据到算法闭环迭代的能力，能设计并实现多维度评测体系，结合自动指标与人工评估，定义数据质量标准并推动模型效果持续提升；\n6. 扎实的工程能力，熟练掌握PyTorch开发、有Pytorch分布式训练经验；\n7. 具备出色的分析问题和解决问题的能力，能够独立领导技术方向的探索和攻坚。对视觉艺术有良好的审美感知，能理解并拆解业务场景下的内容需求。\n加分项\n1. 在 CVPR/ICCV/NeurIPS/ICML 等顶会发表过多模态生成相关论文；\n2. 主导或深度参与过知名AIGC项目者优先;\"",
"skills": [AI生成
"PyTorch",
"数据清洗",
"解决问题",
"大语言模型"
],
"preferred_qualifications": "3. 具备高质量多模态数据构建能力，包括大规模数据清洗、增强、合成与标注体系设计，有 TB/PB 级视频数据处理流水线经验优先；加分项；2. 主导或深度参与过知名AIGC项目者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199908320008?deptCodes="
}
]
},
"posting": {
"posting_id": "199908320008",
"post_date": "2026-08-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199908320008?deptCodes="
},
"fulltext": "算法工程师-数据算法（多模态生成方向）\n算法工程师-数据算法（多模态生成方向）\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：杭州\n\n职位描述\n本岗位面向多模态生成模型的各训练阶段的高质量数据算法需求，聚焦于构建高效、高精准、细粒度的多模态数据pipeline：\n1. 多模态数据体系构建：负责视频生成模型全阶段训练（预训练、SFT、后训练/RL）所需多模态数据对齐的算法建设，构建面向垂类场景的高质量、结构化的多模态对齐数据体系；\n2. 数据筛选与合成算法：设计并落地从海量多模态数据中筛选/合成高价值数据的算法链路，包括音视频质量评估、美学打分、运动分析、时序切分、去重与分布均衡等。\n3. 视频描述与对齐算法：构建高精度视频 Caption 体系（密集描述、结构化标签、时序事件描述），持续提升文本-视频对齐质量与粒度。\n4. 数据-算法闭环：建立数据质量与模型效果的评估归因体系，结合业务需求推动\"\"数据构建 → 模型训练 → 效果评估 → 数据迭代\"\"的闭环持续优化。\n\n职位要求\n1. 计算机、人工智能、数学等相关专业硕士及以上学历，1 年以上多模态/生成模型相关经验；\n2. 具备扎实的多模态理解与生成技术基础，熟悉主流视频生成模型架构（DiT、Diffusion/Flow Matching、VAE、CLIP/VLM 对齐等）；\n3. 具备高质量多模态数据构建能力，包括大规模数据清洗、增强、合成与标注体系设计，有 TB/PB 级视频数据处理流水线经验优先；\n4. 熟练掌握多模态大模型相关的后训练技术（SFT、DPO、Flow-GRPO 等）；\n5. 具备从数据到算法闭环迭代的能力，能设计并实现多维度评测体系，结合自动指标与人工评估，定义数据质量标准并推动模型效果持续提升；\n6. 扎实的工程能力，熟练掌握PyTorch开发、有Pytorch分布式训练经验；\n7. 具备出色的分析问题和解决问题的能力，能够独立领导技术方向的探索和攻坚。对视觉艺术有良好的审美感知，能理解并拆解业务场景下的内容需求。\n加分项\n1. 在 CVPR/ICCV/NeurIPS/ICML 等顶会发表过多模态生成相关论文；\n2. 主导或深度参与过知名AIGC项目者优先;\"\n\n在招业务\nToken Foundry\n本岗位面向多模态生成模型的各训练阶段的高质量数据算法需求，聚焦于构建高效、高精准、细粒度的多模态数据pipeline：\n1. 多模态数据体系构建：负责视频生成模型全阶段训练（预训练、SFT、后训练/RL）所需多模态数据对齐的算法建设，构建面向垂类场景的高质量、结构化的多模态对齐数据体系；\n2. 数据筛选与合成算法：设计并落地从海量多模态数据中筛选/合成高价值数据的算法链路，包括音视频质量评估、美学打分、运动分析、时序切分、去重与分布均衡等。\n3. 视频描述与对齐算法：构建高精度视频 Caption 体系（密集描述、结构化标签、时序事件描述），持续提升文本-视频对齐质量与粒度。\n4. 数据-算法闭环：建立数据质量与模型效果的评估归因体系，结合业务需求推动\"\"数据构建 → 模型训练 → 效果评估 → 数据迭代\"\"的闭环持续优化。\n1. 计算机、人工智能、数学等相关专业硕士及以上学历，1 年以上多模态/生成模型相关经验；\n2. 具备扎实的多模态理解与生成技术基础，熟悉主流视频生成模型架构（DiT、Diffusion/Flow Matching、VAE、CLIP/VLM 对齐等）；\n3. 具备高质量多模态数据构建能力，包括大规模数据清洗、增强、合成与标注体系设计，有 TB/PB 级视频数据处理流水线经验优先；\n4. 熟练掌握多模态大模型相关的后训练技术（SFT、DPO、Flow-GRPO 等）；\n5. 具备从数据到算法闭环迭代的能力，能设计并实现多维度评测体系，结合自动指标与人工评估，定义数据质量标准并推动模型效果持续提升；\n6. 扎实的工程能力，熟练掌握PyTorch开发、有Pytorch分布式训练经验；\n7. 具备出色的分析问题和解决问题的能力，能够独立领导技术方向的探索和攻坚。对视觉艺术有良好的审美感知，能理解并拆解业务场景下的内容需求。\n加分项\n1. 在 CVPR/ICCV/NeurIPS/ICML 等顶会发表过多模态生成相关论文；\n2. 主导或深度参与过知名AIGC项目者优先;\"",
"standard_classification": {
"std_category_code": "T016",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}