主分类：AI模型评测工程
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": "多模态训练数据质量专家-音视频方向",
"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": "J1001"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": "学历：本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "多模态训练数据质量专家-音视频方向\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：J1001\n工作地点：北京\n发布时间：2026-08-14\n\n岗位职责\n负责大模型（LLM/VLM）及 AIGC 生成内容（文生视频、文生图等）的质量评测体系设计、评测工具开发与效果评估闭环，为模型迭代和上线决策提供量化依据。核心产出不是\"跑分报告\"，而是可复现、可对比、可驱动迭代的评测系统。具体职责：\n1、评测体系设计：设计生成/增强内容（视频、图像）的多维度主观/客观质量评价框架，涵盖技术质量、语义一致性、运动合理性、安全性等维度；制定评测指标体系（PLCC/SRCC/KROCC、BLEU/ROUGE、人工评分维度与量表等），建立可横向对比的基准线；参与主观评测实验流程设计（评测员招募与培训、维度解释与对齐、过程质控、数据清洗），确保主观数据的可靠性；\n2、评测数据与工具链建设：协助构建和维护标准化评测数据集，覆盖多场景、多模型、多维度的标注样本；参与开发自动化客观评测模型（基于多模态特征编码 + LLM 评分的评测算法），实现模型输出的规模化评估；参与搭建评测平台（批量推理 → 自动评分 → 结果聚合 → 可视化看板），支撑日常评测和版本对比；\n3、模型效果评估与迭代驱动：对内部/外部大模型进行系统性质量评测，输出结构化评测报告与模型对比结论；建立\"评测 → 归因 → 反馈 → 迭代\"闭环，将评测结论转化为可执行的模型优化建议；\n4、安全性与合规评测：参与设计生成式模型的安全评测方案，覆盖内容安全、幻觉检测、对抗性输入等维度；参与大模型备案/合规评测相关数据准备与报告输出；\n5、前沿评测方法研究：跟踪 AIGV/AIGC 质量评价、大模型评测领域的最新学术进展与开源工具；探索基于 LLM-as-Judge、主动学习、成对比较等新范式的高效评测方法，降低人工标注成本。\n\n任职要求\n1、学历：本科及以上学历，计算机、电子信息、人工智能、信号处理、通信工程等相关专业；\n2、基础知识与技能：深度学习框架：了解 PyTorch，能完成模型训练、微调（LoRA/SFT）与推理的基本流程；\n3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；\n4、多模态理解：了解视觉-语言模型（VLM）的基本原理与评测方法，对多模态特征编码（CLIP/BLIP 等）有认知；\n5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；\n加分项：\n1、在 VQA/AIGC 质量评价领域有学术论文发表（CVPR/ICME/ACM MM/Displays 等）；\n2、有 AIGC 模型评测竞赛获奖经历（如 NTIRE、CVPR Workshop 等）；\n3、熟悉 RAG 评测框架（Ragas、LangSmith）或 Agent 效果评估方法；\n4、有大规模主观评测实验（评测员组织、数据采集与清洗）的参与经验；\n5、了解大模型安全评测与合规备案基本流程；\n6、有相关实习经历或国家级重点研发项目参与经验。",
"requirements_text": "多模态训练数据质量专家-音视频方向\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：J1001\n工作地点：北京\n发布时间：2026-08-14\n\n岗位职责\n负责大模型（LLM/VLM）及 AIGC 生成内容（文生视频、文生图等）的质量评测体系设计、评测工具开发与效果评估闭环，为模型迭代和上线决策提供量化依据。核心产出不是\"跑分报告\"，而是可复现、可对比、可驱动迭代的评测系统。具体职责：\n1、评测体系设计：设计生成/增强内容（视频、图像）的多维度主观/客观质量评价框架，涵盖技术质量、语义一致性、运动合理性、安全性等维度；制定评测指标体系（PLCC/SRCC/KROCC、BLEU/ROUGE、人工评分维度与量表等），建立可横向对比的基准线；参与主观评测实验流程设计（评测员招募与培训、维度解释与对齐、过程质控、数据清洗），确保主观数据的可靠性；\n2、评测数据与工具链建设：协助构建和维护标准化评测数据集，覆盖多场景、多模型、多维度的标注样本；参与开发自动化客观评测模型（基于多模态特征编码 + LLM 评分的评测算法），实现模型输出的规模化评估；参与搭建评测平台（批量推理 → 自动评分 → 结果聚合 → 可视化看板），支撑日常评测和版本对比；\n3、模型效果评估与迭代驱动：对内部/外部大模型进行系统性质量评测，输出结构化评测报告与模型对比结论；建立\"评测 → 归因 → 反馈 → 迭代\"闭环，将评测结论转化为可执行的模型优化建议；\n4、安全性与合规评测：参与设计生成式模型的安全评测方案，覆盖内容安全、幻觉检测、对抗性输入等维度；参与大模型备案/合规评测相关数据准备与报告输出；\n5、前沿评测方法研究：跟踪 AIGV/AIGC 质量评价、大模型评测领域的最新学术进展与开源工具；探索基于 LLM-as-Judge、主动学习、成对比较等新范式的高效评测方法，降低人工标注成本。\n\n任职要求\n1、学历：本科及以上学历，计算机、电子信息、人工智能、信号处理、通信工程等相关专业；\n2、基础知识与技能：深度学习框架：了解 PyTorch，能完成模型训练、微调（LoRA/SFT）与推理的基本流程；\n3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；\n4、多模态理解：了解视觉-语言模型（VLM）的基本原理与评测方法，对多模态特征编码（CLIP/BLIP 等）有认知；\n5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；\n加分项：\n1、在 VQA/AIGC 质量评价领域有学术论文发表（CVPR/ICME/ACM MM/Displays 等）；\n2、有 AIGC 模型评测竞赛获奖经历（如 NTIRE、CVPR Workshop 等）；\n3、熟悉 RAG 评测框架（Ragas、LangSmith）或 Agent 效果评估方法；\n4、有大规模主观评测实验（评测员组织、数据采集与清洗）的参与经验；\n5、了解大模型安全评测与合规备案基本流程；\n6、有相关实习经历或国家级重点研发项目参与经验。",
"skills": [AI生成
"Docker",
"PyTorch",
"FastAPI",
"深度学习",
"数据清洗",
"模型训练",
"信号处理",
"可靠性",
"招聘",
"培训",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；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/13772?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "13772",
"post_date": "2026-08-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/13772?recruitSubProjectCodes="
},
"fulltext": "多模态训练数据质量专家-音视频方向\n多模态训练数据质量专家-音视频方向\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：J1001\n工作地点：北京\n发布时间：2026-08-14\n\n岗位职责\n负责大模型（LLM/VLM）及 AIGC 生成内容（文生视频、文生图等）的质量评测体系设计、评测工具开发与效果评估闭环，为模型迭代和上线决策提供量化依据。核心产出不是\"跑分报告\"，而是可复现、可对比、可驱动迭代的评测系统。具体职责：\n1、评测体系设计：设计生成/增强内容（视频、图像）的多维度主观/客观质量评价框架，涵盖技术质量、语义一致性、运动合理性、安全性等维度；制定评测指标体系（PLCC/SRCC/KROCC、BLEU/ROUGE、人工评分维度与量表等），建立可横向对比的基准线；参与主观评测实验流程设计（评测员招募与培训、维度解释与对齐、过程质控、数据清洗），确保主观数据的可靠性；\n2、评测数据与工具链建设：协助构建和维护标准化评测数据集，覆盖多场景、多模型、多维度的标注样本；参与开发自动化客观评测模型（基于多模态特征编码 + LLM 评分的评测算法），实现模型输出的规模化评估；参与搭建评测平台（批量推理 → 自动评分 → 结果聚合 → 可视化看板），支撑日常评测和版本对比；\n3、模型效果评估与迭代驱动：对内部/外部大模型进行系统性质量评测，输出结构化评测报告与模型对比结论；建立\"评测 → 归因 → 反馈 → 迭代\"闭环，将评测结论转化为可执行的模型优化建议；\n4、安全性与合规评测：参与设计生成式模型的安全评测方案，覆盖内容安全、幻觉检测、对抗性输入等维度；参与大模型备案/合规评测相关数据准备与报告输出；\n5、前沿评测方法研究：跟踪 AIGV/AIGC 质量评价、大模型评测领域的最新学术进展与开源工具；探索基于 LLM-as-Judge、主动学习、成对比较等新范式的高效评测方法，降低人工标注成本。\n\n任职要求\n1、学历：本科及以上学历，计算机、电子信息、人工智能、信号处理、通信工程等相关专业；\n2、基础知识与技能：深度学习框架：了解 PyTorch，能完成模型训练、微调（LoRA/SFT）与推理的基本流程；\n3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；\n4、多模态理解：了解视觉-语言模型（VLM）的基本原理与评测方法，对多模态特征编码（CLIP/BLIP 等）有认知；\n5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；\n加分项：\n1、在 VQA/AIGC 质量评价领域有学术论文发表（CVPR/ICME/ACM MM/Displays 等）；\n2、有 AIGC 模型评测竞赛获奖经历（如 NTIRE、CVPR Workshop 等）；\n3、熟悉 RAG 评测框架（Ragas、LangSmith）或 Agent 效果评估方法；\n4、有大规模主观评测实验（评测员组织、数据采集与清洗）的参与经验；\n5、了解大模型安全评测与合规备案基本流程；\n6、有相关实习经历或国家级重点研发项目参与经验。\n多模态训练数据质量专家-音视频方向\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：J1001\n工作地点：北京\n发布时间：2026-08-14\n\n岗位职责\n负责大模型（LLM/VLM）及 AIGC 生成内容（文生视频、文生图等）的质量评测体系设计、评测工具开发与效果评估闭环，为模型迭代和上线决策提供量化依据。核心产出不是\"跑分报告\"，而是可复现、可对比、可驱动迭代的评测系统。具体职责：\n1、评测体系设计：设计生成/增强内容（视频、图像）的多维度主观/客观质量评价框架，涵盖技术质量、语义一致性、运动合理性、安全性等维度；制定评测指标体系（PLCC/SRCC/KROCC、BLEU/ROUGE、人工评分维度与量表等），建立可横向对比的基准线；参与主观评测实验流程设计（评测员招募与培训、维度解释与对齐、过程质控、数据清洗），确保主观数据的可靠性；\n2、评测数据与工具链建设：协助构建和维护标准化评测数据集，覆盖多场景、多模型、多维度的标注样本；参与开发自动化客观评测模型（基于多模态特征编码 + LLM 评分的评测算法），实现模型输出的规模化评估；参与搭建评测平台（批量推理 → 自动评分 → 结果聚合 → 可视化看板），支撑日常评测和版本对比；\n3、模型效果评估与迭代驱动：对内部/外部大模型进行系统性质量评测，输出结构化评测报告与模型对比结论；建立\"评测 → 归因 → 反馈 → 迭代\"闭环，将评测结论转化为可执行的模型优化建议；\n4、安全性与合规评测：参与设计生成式模型的安全评测方案，覆盖内容安全、幻觉检测、对抗性输入等维度；参与大模型备案/合规评测相关数据准备与报告输出；\n5、前沿评测方法研究：跟踪 AIGV/AIGC 质量评价、大模型评测领域的最新学术进展与开源工具；探索基于 LLM-as-Judge、主动学习、成对比较等新范式的高效评测方法，降低人工标注成本。\n\n任职要求\n1、学历：本科及以上学历，计算机、电子信息、人工智能、信号处理、通信工程等相关专业；\n2、基础知识与技能：深度学习框架：了解 PyTorch，能完成模型训练、微调（LoRA/SFT）与推理的基本流程；\n3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；\n4、多模态理解：了解视觉-语言模型（VLM）的基本原理与评测方法，对多模态特征编码（CLIP/BLIP 等）有认知；\n5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；\n加分项：\n1、在 VQA/AIGC 质量评价领域有学术论文发表（CVPR/ICME/ACM MM/Displays 等）；\n2、有 AIGC 模型评测竞赛获奖经历（如 NTIRE、CVPR Workshop 等）；\n3、熟悉 RAG 评测框架（Ragas、LangSmith）或 Agent 效果评估方法；\n4、有大规模主观评测实验（评测员组织、数据采集与清洗）的参与经验；\n5、了解大模型安全评测与合规备案基本流程；\n6、有相关实习经历或国家级重点研发项目参与经验。\n多模态训练数据质量专家-音视频方向\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：J1001\n工作地点：北京\n发布时间：2026-08-14\n\n岗位职责\n负责大模型（LLM/VLM）及 AIGC 生成内容（文生视频、文生图等）的质量评测体系设计、评测工具开发与效果评估闭环，为模型迭代和上线决策提供量化依据。核心产出不是\"跑分报告\"，而是可复现、可对比、可驱动迭代的评测系统。具体职责：\n1、评测体系设计：设计生成/增强内容（视频、图像）的多维度主观/客观质量评价框架，涵盖技术质量、语义一致性、运动合理性、安全性等维度；制定评测指标体系（PLCC/SRCC/KROCC、BLEU/ROUGE、人工评分维度与量表等），建立可横向对比的基准线；参与主观评测实验流程设计（评测员招募与培训、维度解释与对齐、过程质控、数据清洗），确保主观数据的可靠性；\n2、评测数据与工具链建设：协助构建和维护标准化评测数据集，覆盖多场景、多模型、多维度的标注样本；参与开发自动化客观评测模型（基于多模态特征编码 + LLM 评分的评测算法），实现模型输出的规模化评估；参与搭建评测平台（批量推理 → 自动评分 → 结果聚合 → 可视化看板），支撑日常评测和版本对比；\n3、模型效果评估与迭代驱动：对内部/外部大模型进行系统性质量评测，输出结构化评测报告与模型对比结论；建立\"评测 → 归因 → 反馈 → 迭代\"闭环，将评测结论转化为可执行的模型优化建议；\n4、安全性与合规评测：参与设计生成式模型的安全评测方案，覆盖内容安全、幻觉检测、对抗性输入等维度；参与大模型备案/合规评测相关数据准备与报告输出；\n5、前沿评测方法研究：跟踪 AIGV/AIGC 质量评价、大模型评测领域的最新学术进展与开源工具；探索基于 LLM-as-Judge、主动学习、成对比较等新范式的高效评测方法，降低人工标注成本。\n\n任职要求\n1、学历：本科及以上学历，计算机、电子信息、人工智能、信号处理、通信工程等相关专业；\n2、基础知识与技能：深度学习框架：了解 PyTorch，能完成模型训练、微调（LoRA/SFT）与推理的基本流程；\n3、评测方法论：了解视频质量评价（VQA）、AIGC 内容质量评估的主观/客观方法体系，了解 ITU-R BT.500 等主观实验标准者加分；\n4、多模态理解：了解视觉-语言模型（VLM）的基本原理与评测方法，对多模态特征编码（CLIP/BLIP 等）有认知；\n5、工程化能力：了解 Docker容器化部署、vLLM 推理加速，能基于 FastAPI/Flask 搭建简单服务者优先；\n加分项：\n1、在 VQA/AIGC 质量评价领域有学术论文发表（CVPR/ICME/ACM MM/Displays 等）；\n2、有 AIGC 模型评测竞赛获奖经历（如 NTIRE、CVPR Workshop 等）；\n3、熟悉 RAG 评测框架（Ragas、LangSmith）或 Agent 效果评估方法；\n4、有大规模主观评测实验（评测员组织、数据采集与清洗）的参与经验；\n5、了解大模型安全评测与合规备案基本流程；\n6、有相关实习经历或国家级重点研发项目参与经验。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}