主分类：音视频与实时通信研发
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": "【快Star】生成式视频编码算法工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京 / 杭州 / 上海 / 深圳",
"work_mode": "未披露",AI生成
"job_category": "J1011"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】生成式视频编码算法工程师\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：J1011\n工作地点：北京 / 杭州 / 上海 / 深圳\n发布时间：2026-05-25\n\n岗位职责\n1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；\n2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；\n3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；\n4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。\n\n任职要求\n1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；\n2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；\n3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；\n4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；\n5、熟练使用 Python / C++ 等任一语言。\n加分项：\n1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；\n2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；\n3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；\n4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；\n5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。",
"requirements_text": "【快Star】生成式视频编码算法工程师\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：J1011\n工作地点：北京 / 杭州 / 上海 / 深圳\n发布时间：2026-05-25\n\n岗位职责\n1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；\n2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；\n3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；\n4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。\n\n任职要求\n1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；\n2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；\n3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；\n4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；\n5、熟练使用 Python / C++ 等任一语言。\n加分项：\n1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；\n2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；\n3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；\n4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；\n5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。",
"skills": [AI生成
"Python",
"C++",
"深度学习",
"计算机视觉",
"模型训练",
"信号处理",
"建模",
"招聘"
],
"preferred_qualifications": "加分项：；1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先",
"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/12755?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12755",
"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/12755?recruitSubProjectCodes="
},
"fulltext": "【快Star】生成式视频编码算法工程师\n【快Star】生成式视频编码算法工程师\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：J1011\n工作地点：北京 / 杭州 / 上海 / 深圳\n发布时间：2026-05-25\n\n岗位职责\n1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；\n2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；\n3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；\n4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。\n\n任职要求\n1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；\n2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；\n3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；\n4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；\n5、熟练使用 Python / C++ 等任一语言。\n加分项：\n1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；\n2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；\n3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；\n4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；\n5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。\n【快Star】生成式视频编码算法工程师\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：J1011\n工作地点：北京 / 杭州 / 上海 / 深圳\n发布时间：2026-05-25\n\n岗位职责\n1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；\n2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；\n3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；\n4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。\n\n任职要求\n1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；\n2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；\n3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；\n4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；\n5、熟练使用 Python / C++ 等任一语言。\n加分项：\n1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；\n2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；\n3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；\n4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；\n5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。\n【快Star】生成式视频编码算法工程师\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：J1011\n工作地点：北京 / 杭州 / 上海 / 深圳\n发布时间：2026-05-25\n\n岗位职责\n1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；\n2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；\n3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；\n4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。\n\n任职要求\n1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；\n2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；\n3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；\n4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；\n5、熟练使用 Python / C++ 等任一语言。\n加分项：\n1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；\n2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；\n3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；\n4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；\n5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。",
"standard_classification": {
"std_category_code": "T032",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}