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": "【大模型北斗实习】图像生成大模型技术研究",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "在AIGC大模型的RLHF阶段，奖励模型（Reward Models）通过提供精准的奖励反馈来调整模型优化方向，以提升图像生成的质感与美感，从而增强整体视觉呈现效果。同时，随着模型参数规模的不断增加，亟需从模型架构层面探讨更优的生成策略。课题研究内容包括但不限于：\n1）多维度图像奖励模型的设计。\n2）DiT框架的优化，探索性能与推理效率的极限。\n3）图像生成范式的探索，系统性验证AR或AR+Diffusion方案的优缺点，以迈向更大规模的生成模型。",
"requirements_text": "1）熟悉扩散模型研究进展。\n2）熟悉PyTorch，能快速开展实验。\n加分项：\n1）有图像/视频生成大模型研究经验，或者在相关开源项目中做出过核心贡献。\n2）对AIGC的训练与推理优化有实践经验。\n3）在计算机视觉、多媒体、人工智能的权威期刊或会议上发表过视觉生成相关的论文专著，或者在重要算法比赛中取得过优秀名次。",
"skills": [AI生成
"PyTorch",
"计算机视觉",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3155424457&jobShareType=1"
}
]
},
"posting": {
"posting_id": "3155424457",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3155424457&jobShareType=1"
},
"fulltext": "【大模型北斗实习】图像生成大模型技术研究\n【大模型北斗实习】图像生成大模型技术研究\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法,硬件,软件\n更新时间：2025-05-23\n\n岗位职责\n在AIGC大模型的RLHF阶段，奖励模型（Reward Models）通过提供精准的奖励反馈来调整模型优化方向，以提升图像生成的质感与美感，从而增强整体视觉呈现效果。同时，随着模型参数规模的不断增加，亟需从模型架构层面探讨更优的生成策略。课题研究内容包括但不限于：\n1）多维度图像奖励模型的设计。\n2）DiT框架的优化，探索性能与推理效率的极限。\n3）图像生成范式的探索，系统性验证AR或AR+Diffusion方案的优缺点，以迈向更大规模的生成模型。\n\n岗位基本要求\n1）熟悉扩散模型研究进展。\n2）熟悉PyTorch，能快速开展实验。\n加分项：\n1）有图像/视频生成大模型研究经验，或者在相关开源项目中做出过核心贡献。\n2）对AIGC的训练与推理优化有实践经验。\n3）在计算机视觉、多媒体、人工智能的权威期刊或会议上发表过视觉生成相关的论文专著，或者在重要算法比赛中取得过优秀名次。\n在AIGC大模型的RLHF阶段，奖励模型（Reward Models）通过提供精准的奖励反馈来调整模型优化方向，以提升图像生成的质感与美感，从而增强整体视觉呈现效果。同时，随着模型参数规模的不断增加，亟需从模型架构层面探讨更优的生成策略。课题研究内容包括但不限于：\n1）多维度图像奖励模型的设计。\n2）DiT框架的优化，探索性能与推理效率的极限。\n3）图像生成范式的探索，系统性验证AR或AR+Diffusion方案的优缺点，以迈向更大规模的生成模型。\n1）熟悉扩散模型研究进展。\n2）熟悉PyTorch，能快速开展实验。\n加分项：\n1）有图像/视频生成大模型研究经验，或者在相关开源项目中做出过核心贡献。\n2）对AIGC的训练与推理优化有实践经验。\n3）在计算机视觉、多媒体、人工智能的权威期刊或会议上发表过视觉生成相关的论文专著，或者在重要算法比赛中取得过优秀名次。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}