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】视频编码与生成交叉算法工程师",
"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】视频编码与生成交叉算法工程师\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、研究视频压缩、生成与理解在表征层的协同空间，开发“一份token三用”的统一视频表征基础设施；\n2、研究离散视觉表征的端到端联合优化（率失真+加速），探索编解码与生成模型的协同加速机制；\n3、探索可微离散表征的率失真优化，构建生成式视频tokenizer，实现低码率高感知质量的实时视频生成；\n4、构建面向直播场景的视频生成加速评估benchmark，涵盖端到端延迟、首帧时间、主观质量与带宽适应性等维度。\n\n任职要求\n1、硕士及以上学历，视频编码压缩、计算机视觉、人工智能、信号处理、流媒体传输等相关方向；\n2、熟悉可微离散表征、神经熵编码、率失真优化等前沿方向；\n3、掌握视频扩散模型的推理加速方法（如稀疏计算、流式批处理、KV缓存优化等）；\n4、了解视频编解码标准（H.264/H.265/VVC）及其原理。\n5、具有Python/PyTorch/CUDA等编程开发经验，能够独立完成模型训练、推理优化与系统联调；\n6、熟练使用Claude、Cursor、GitHub Copilot等任一AI coding工具进行编码开发工作。\n加分项：\n1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输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、对多模态大模型（LLM/VLM）在视频压缩或生成中的应用有研究或实践经历；\n4、有跨任务多目标联合训练（压缩+生成 或 压缩+理解）研究或实践经验；\n5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）者优先。",
"requirements_text": "【快Star】视频编码与生成交叉算法工程师\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、研究视频压缩、生成与理解在表征层的协同空间，开发“一份token三用”的统一视频表征基础设施；\n2、研究离散视觉表征的端到端联合优化（率失真+加速），探索编解码与生成模型的协同加速机制；\n3、探索可微离散表征的率失真优化，构建生成式视频tokenizer，实现低码率高感知质量的实时视频生成；\n4、构建面向直播场景的视频生成加速评估benchmark，涵盖端到端延迟、首帧时间、主观质量与带宽适应性等维度。\n\n任职要求\n1、硕士及以上学历，视频编码压缩、计算机视觉、人工智能、信号处理、流媒体传输等相关方向；\n2、熟悉可微离散表征、神经熵编码、率失真优化等前沿方向；\n3、掌握视频扩散模型的推理加速方法（如稀疏计算、流式批处理、KV缓存优化等）；\n4、了解视频编解码标准（H.264/H.265/VVC）及其原理。\n5、具有Python/PyTorch/CUDA等编程开发经验，能够独立完成模型训练、推理优化与系统联调；\n6、熟练使用Claude、Cursor、GitHub Copilot等任一AI coding工具进行编码开发工作。\n加分项：\n1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输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、对多模态大模型（LLM/VLM）在视频压缩或生成中的应用有研究或实践经历；\n4、有跨任务多目标联合训练（压缩+生成 或 压缩+理解）研究或实践经验；\n5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）者优先。",
"skills": [AI生成
"Python",
"PyTorch",
"CUDA",
"计算机视觉",
"模型训练",
"信号处理",
"建模",
"招聘",
"大语言模型"
],
"preferred_qualifications": "加分项：；1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输相关竞赛中获奖者优先；5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）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/12758?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12758",
"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/12758?recruitSubProjectCodes="
},
"fulltext": "【快Star】视频编码与生成交叉算法工程师\n【快Star】视频编码与生成交叉算法工程师\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、研究视频压缩、生成与理解在表征层的协同空间，开发“一份token三用”的统一视频表征基础设施；\n2、研究离散视觉表征的端到端联合优化（率失真+加速），探索编解码与生成模型的协同加速机制；\n3、探索可微离散表征的率失真优化，构建生成式视频tokenizer，实现低码率高感知质量的实时视频生成；\n4、构建面向直播场景的视频生成加速评估benchmark，涵盖端到端延迟、首帧时间、主观质量与带宽适应性等维度。\n\n任职要求\n1、硕士及以上学历，视频编码压缩、计算机视觉、人工智能、信号处理、流媒体传输等相关方向；\n2、熟悉可微离散表征、神经熵编码、率失真优化等前沿方向；\n3、掌握视频扩散模型的推理加速方法（如稀疏计算、流式批处理、KV缓存优化等）；\n4、了解视频编解码标准（H.264/H.265/VVC）及其原理。\n5、具有Python/PyTorch/CUDA等编程开发经验，能够独立完成模型训练、推理优化与系统联调；\n6、熟练使用Claude、Cursor、GitHub Copilot等任一AI coding工具进行编码开发工作。\n加分项：\n1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输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、对多模态大模型（LLM/VLM）在视频压缩或生成中的应用有研究或实践经历；\n4、有跨任务多目标联合训练（压缩+生成 或 压缩+理解）研究或实践经验；\n5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）者优先。\n【快Star】视频编码与生成交叉算法工程师\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、研究视频压缩、生成与理解在表征层的协同空间，开发“一份token三用”的统一视频表征基础设施；\n2、研究离散视觉表征的端到端联合优化（率失真+加速），探索编解码与生成模型的协同加速机制；\n3、探索可微离散表征的率失真优化，构建生成式视频tokenizer，实现低码率高感知质量的实时视频生成；\n4、构建面向直播场景的视频生成加速评估benchmark，涵盖端到端延迟、首帧时间、主观质量与带宽适应性等维度。\n\n任职要求\n1、硕士及以上学历，视频编码压缩、计算机视觉、人工智能、信号处理、流媒体传输等相关方向；\n2、熟悉可微离散表征、神经熵编码、率失真优化等前沿方向；\n3、掌握视频扩散模型的推理加速方法（如稀疏计算、流式批处理、KV缓存优化等）；\n4、了解视频编解码标准（H.264/H.265/VVC）及其原理。\n5、具有Python/PyTorch/CUDA等编程开发经验，能够独立完成模型训练、推理优化与系统联调；\n6、熟练使用Claude、Cursor、GitHub Copilot等任一AI coding工具进行编码开发工作。\n加分项：\n1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输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、对多模态大模型（LLM/VLM）在视频压缩或生成中的应用有研究或实践经历；\n4、有跨任务多目标联合训练（压缩+生成 或 压缩+理解）研究或实践经验；\n5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）者优先。\n【快Star】视频编码与生成交叉算法工程师\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、研究视频压缩、生成与理解在表征层的协同空间，开发“一份token三用”的统一视频表征基础设施；\n2、研究离散视觉表征的端到端联合优化（率失真+加速），探索编解码与生成模型的协同加速机制；\n3、探索可微离散表征的率失真优化，构建生成式视频tokenizer，实现低码率高感知质量的实时视频生成；\n4、构建面向直播场景的视频生成加速评估benchmark，涵盖端到端延迟、首帧时间、主观质量与带宽适应性等维度。\n\n任职要求\n1、硕士及以上学历，视频编码压缩、计算机视觉、人工智能、信号处理、流媒体传输等相关方向；\n2、熟悉可微离散表征、神经熵编码、率失真优化等前沿方向；\n3、掌握视频扩散模型的推理加速方法（如稀疏计算、流式批处理、KV缓存优化等）；\n4、了解视频编解码标准（H.264/H.265/VVC）及其原理。\n5、具有Python/PyTorch/CUDA等编程开发经验，能够独立完成模型训练、推理优化与系统联调；\n6、熟练使用Claude、Cursor、GitHub Copilot等任一AI coding工具进行编码开发工作。\n加分项：\n1、在ACM MM / CVPR / ICCV / ICLR / NeurIPS等顶会顶刊有第一作者论文，或在视频编码/流媒体传输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、对多模态大模型（LLM/VLM）在视频压缩或生成中的应用有研究或实践经历；\n4、有跨任务多目标联合训练（压缩+生成 或 压缩+理解）研究或实践经验；\n5、有视频直播系统开发或优化经验（如ABR算法、低延迟传输、QoE建模）者优先。",
"standard_classification": {
"std_category_code": "T032",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}