主分类：搜索推荐与业务决策算法研发
辅助：AI训练推理与计算优化（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": "【快Star】直播智能体验优化算法工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "J1007"AI生成
},
"company": {
"company_name": "快手科技",
"company_industry": "内容社区 / 直播 / 电商 / 人工智能",
"company_size": "10000人以上",
"company_website": "kuaishou.com",
"company_description": "快手是内容社区与技术平台公司，业务覆盖短视频、直播、电商、本地生活与 AI 应用。"
},
"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": "【快Star】直播智能体验优化算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1007\n工作地点：北京\n发布时间：2026-05-25\n\n岗位职责\n1、负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策；\n2、负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内；\n3、负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益；\n4.、推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化。\n\n任职要求\n1、硕士及以上学历，计算机/通信/自动化/应用数学等相关专业；\n2、在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础；\n3、熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch；\n4、具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环。\n5、熟练使用 Python/C++，具备良好的工程实现与调试能力。\n加分项：\n1、熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解；\n2、具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路；\n3、在多目标优化/多任务联合决策 方向有研究或落地经验；\n4、熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验；\n5、在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖；\n6、具备端侧模型部署、量化与算子优化经验。",
"requirements_text": "【快Star】直播智能体验优化算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1007\n工作地点：北京\n发布时间：2026-05-25\n\n岗位职责\n1、负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策；\n2、负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内；\n3、负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益；\n4.、推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化。\n\n任职要求\n1、硕士及以上学历，计算机/通信/自动化/应用数学等相关专业；\n2、在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础；\n3、熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch；\n4、具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环。\n5、熟练使用 Python/C++，具备良好的工程实现与调试能力。\n加分项：\n1、熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解；\n2、具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路；\n3、在多目标优化/多任务联合决策 方向有研究或落地经验；\n4、熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验；\n5、在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖；\n6、具备端侧模型部署、量化与算子优化经验。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"建模",
"招聘",
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12754?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12754",
"post_date": "2026-05-25",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12754?recruitSubProjectCodes="
},
"fulltext": "【快Star】直播智能体验优化算法工程师\n【快Star】直播智能体验优化算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1007\n工作地点：北京\n发布时间：2026-05-25\n\n岗位职责\n1、负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策；\n2、负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内；\n3、负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益；\n4.、推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化。\n\n任职要求\n1、硕士及以上学历，计算机/通信/自动化/应用数学等相关专业；\n2、在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础；\n3、熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch；\n4、具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环。\n5、熟练使用 Python/C++，具备良好的工程实现与调试能力。\n加分项：\n1、熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解；\n2、具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路；\n3、在多目标优化/多任务联合决策 方向有研究或落地经验；\n4、熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验；\n5、在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖；\n6、具备端侧模型部署、量化与算子优化经验。\n【快Star】直播智能体验优化算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1007\n工作地点：北京\n发布时间：2026-05-25\n\n岗位职责\n1、负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策；\n2、负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内；\n3、负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益；\n4.、推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化。\n\n任职要求\n1、硕士及以上学历，计算机/通信/自动化/应用数学等相关专业；\n2、在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础；\n3、熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch；\n4、具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环。\n5、熟练使用 Python/C++，具备良好的工程实现与调试能力。\n加分项：\n1、熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解；\n2、具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路；\n3、在多目标优化/多任务联合决策 方向有研究或落地经验；\n4、熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验；\n5、在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖；\n6、具备端侧模型部署、量化与算子优化经验。\n【快Star】直播智能体验优化算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1007\n工作地点：北京\n发布时间：2026-05-25\n\n岗位职责\n1、负责多模态大模型在直播链路中的建模与实现，融合网络、用户等多源信号，输出毫秒级低延迟、高鲁棒、内容/场景粒度全局最优的联合决策；\n2、负责优化大模型在该任务上的训练与推理流程，结合LORA 等参数高效微调、蒸馏、剪枝、量化、动态推理等手段，把大模型推理成本压入直播单路算力预算内；\n3、负责开发面向联合决策的高性能特征提取与决策模块，打通从离线训练到端到端在线推理的全链路，最大化「算法-工程-体验」协同收益；\n4.、推动核心成果在大规模真实直播流量上完成在线AB验证，沉淀可量化的营收/GMV、QoE与成本收益，并持续迭代优化。\n\n任职要求\n1、硕士及以上学历，计算机/通信/自动化/应用数学等相关专业；\n2、在大模型/多模态模型/多目标优化/自适应流媒体传输（ABR）/ 视频图像处理/视频编解码中至少一个方向具备扎实的研究或工程基础；\n3、熟悉大模型架构与 LLM训练/推理全流程及相关推理框架，掌握LORA 等主流参数高效微调方法，熟练使用 PyTorch；\n4、具备良好的算法创新与系统能力，能够阅读和分析时序数据，独立完成「问题建模一 数据构建一训练一 评估一上线」闭环。\n5、熟练使用 Python/C++，具备良好的工程实现与调试能力。\n加分项：\n1、熟悉直播/转码/RTC等流媒体传输链路，对多码率算法、QoE优化、端到端画质与体验优化有体系化理解；\n2、具备多模态大模型的研究或工程经验，熟悉视觉-语言模型、视频理解模型等主流方法，能将内容理解信号引入决策链路；\n3、在多目标优化/多任务联合决策 方向有研究或落地经验；\n4、熟悉视频画质评估与增强相关算法与评测体系，具备线上调优经验；\n5、在 NeurlPS/ICML /ICLR/ CVPR/ ACM MM/ SIGCOMM/ INFOCOM等顶级国际会议/期刊发表论文，或在视频质量评估/增强、多模态理解等领域赛事中获奖；\n6、具备端侧模型部署、量化与算子优化经验。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}