主分类：大模型与生成式算法研发
辅助：AI模型评测工程（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": "大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "D5700",
"location": "Hangzhou",
"work_mode": "未披露",AI生成
"job_category": "J0011"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": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n\n基础信息\n招聘类型：社招\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-07-16\n\n岗位职责\n1、AIGC 模型能力建设：负责大模型 / 多模态生成模型在品牌广告场景中的能力优化，包括但不限于文生图、图生图、图生视频、视频生成、音频生成、数字人等方向，提升广告素材生成质量、可控性和稳定性；\n2、品牌广告垂类模型优化：围绕品牌广告素材生产中的核心问题进行模型优化，包括品牌元素保真、Logo / 商品 / 文字一致性、安全区控制、构图版式约束、编辑一致性、素材美观度和广告感提升等；\n3、模型微调与后训练：参与大模型 SFT、LoRA、Reward Model、偏好优化、蒸馏、量化等工作，结合业务数据构建品牌广告垂类模型能力，提升模型在真实广告场景中的生成效果；\n4、评测体系与数据闭环建设：参与构建品牌广告 AIGC 评测体系，包括自动化指标、人工评测标准、Bad Case 分析、Benchmark 构建、数据清洗标注和效果回归，形成模型持续迭代闭环；\n5、算法工程化落地：与工程团队协作，将模型能力封装为稳定可用的业务服务，参与推理服务、工作流编排、模型调用链路、效果观测、线上问题排查等工程化工作，推动算法能力真实落地到广告生产系统；\n6、前沿技术探索：跟踪多模态生成、大语言模型、Diffusion、视频生成、图像编辑、模型蒸馏、强化学习等前沿技术，并结合品牌广告业务场景进行落地验证。\n\n任职要求\n1、工作经验：AIGC、多模态、计算机视觉或生成模型相关经验，要求具备独立承担子方向的潜力；\n2、编程与工程基础：具备扎实的 Python 编程能力，熟悉 Linux 开发环境，熟练使用 PyTorch 等主流深度学习框架，有良好的代码习惯和实验管理能力；\n3、模型基础：熟悉 Transformer、Diffusion、CLIP、VAE、DiT、LLM、Multimodal LLM 等基础模型原理，理解主流图像 / 视频 / 多模态生成模型的基本训练和推理流程；\n4、AIGC 实践经验：至少在以下方向之一有实际经验：文生图、图生图、图像编辑、视频生成、图生视频、数字人、音频生成、素材理解、多模态评测；\n5、训练与调优能力：了解或实践过 SFT、LoRA、DreamBooth、ControlNet、Reward Model、偏好优化、模型蒸馏、模型量化、推理加速等技术中的一种或多种；\n6、数据与评测意识：具备较好的数据分析和实验对比意识，能够通过数据集构建、指标设计、A/B 实验、Bad Case 归因等方式判断模型效果，而不是只凭主观感受评估生成质量；\n7、业务理解能力：对广告、营销、内容生成或创意生产有兴趣，能够理解品牌广告对素材质量、品牌一致性、可控性和商业效果的要求。\n加分项:\n1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；\n2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；\n3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；\n4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；\n5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；\n6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀。",
"requirements_text": "大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n\n基础信息\n招聘类型：社招\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-07-16\n\n岗位职责\n1、AIGC 模型能力建设：负责大模型 / 多模态生成模型在品牌广告场景中的能力优化，包括但不限于文生图、图生图、图生视频、视频生成、音频生成、数字人等方向，提升广告素材生成质量、可控性和稳定性；\n2、品牌广告垂类模型优化：围绕品牌广告素材生产中的核心问题进行模型优化，包括品牌元素保真、Logo / 商品 / 文字一致性、安全区控制、构图版式约束、编辑一致性、素材美观度和广告感提升等；\n3、模型微调与后训练：参与大模型 SFT、LoRA、Reward Model、偏好优化、蒸馏、量化等工作，结合业务数据构建品牌广告垂类模型能力，提升模型在真实广告场景中的生成效果；\n4、评测体系与数据闭环建设：参与构建品牌广告 AIGC 评测体系，包括自动化指标、人工评测标准、Bad Case 分析、Benchmark 构建、数据清洗标注和效果回归，形成模型持续迭代闭环；\n5、算法工程化落地：与工程团队协作，将模型能力封装为稳定可用的业务服务，参与推理服务、工作流编排、模型调用链路、效果观测、线上问题排查等工程化工作，推动算法能力真实落地到广告生产系统；\n6、前沿技术探索：跟踪多模态生成、大语言模型、Diffusion、视频生成、图像编辑、模型蒸馏、强化学习等前沿技术，并结合品牌广告业务场景进行落地验证。\n\n任职要求\n1、工作经验：AIGC、多模态、计算机视觉或生成模型相关经验，要求具备独立承担子方向的潜力；\n2、编程与工程基础：具备扎实的 Python 编程能力，熟悉 Linux 开发环境，熟练使用 PyTorch 等主流深度学习框架，有良好的代码习惯和实验管理能力；\n3、模型基础：熟悉 Transformer、Diffusion、CLIP、VAE、DiT、LLM、Multimodal LLM 等基础模型原理，理解主流图像 / 视频 / 多模态生成模型的基本训练和推理流程；\n4、AIGC 实践经验：至少在以下方向之一有实际经验：文生图、图生图、图像编辑、视频生成、图生视频、数字人、音频生成、素材理解、多模态评测；\n5、训练与调优能力：了解或实践过 SFT、LoRA、DreamBooth、ControlNet、Reward Model、偏好优化、模型蒸馏、模型量化、推理加速等技术中的一种或多种；\n6、数据与评测意识：具备较好的数据分析和实验对比意识，能够通过数据集构建、指标设计、A/B 实验、Bad Case 归因等方式判断模型效果，而不是只凭主观感受评估生成质量；\n7、业务理解能力：对广告、营销、内容生成或创意生产有兴趣，能够理解品牌广告对素材质量、品牌一致性、可控性和商业效果的要求。\n加分项:\n1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；\n2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；\n3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；\n4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；\n5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；\n6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀。",
"skills": [AI生成
"Python",
"Linux",
"PyTorch",
"FastAPI",
"深度学习",
"强化学习",
"计算机视觉",
"数据分析",
"数据清洗",
"模型训练",
"模型微调",
"团队协作",
"招聘",
"大语言模型"
],
"preferred_qualifications": "加分项:；1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/25728"
}
]
},
"posting": {
"posting_id": "25728",
"post_date": "2026-07-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/25728"
},
"fulltext": "大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n\n基础信息\n招聘类型：社招\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-07-16\n\n岗位职责\n1、AIGC 模型能力建设：负责大模型 / 多模态生成模型在品牌广告场景中的能力优化，包括但不限于文生图、图生图、图生视频、视频生成、音频生成、数字人等方向，提升广告素材生成质量、可控性和稳定性；\n2、品牌广告垂类模型优化：围绕品牌广告素材生产中的核心问题进行模型优化，包括品牌元素保真、Logo / 商品 / 文字一致性、安全区控制、构图版式约束、编辑一致性、素材美观度和广告感提升等；\n3、模型微调与后训练：参与大模型 SFT、LoRA、Reward Model、偏好优化、蒸馏、量化等工作，结合业务数据构建品牌广告垂类模型能力，提升模型在真实广告场景中的生成效果；\n4、评测体系与数据闭环建设：参与构建品牌广告 AIGC 评测体系，包括自动化指标、人工评测标准、Bad Case 分析、Benchmark 构建、数据清洗标注和效果回归，形成模型持续迭代闭环；\n5、算法工程化落地：与工程团队协作，将模型能力封装为稳定可用的业务服务，参与推理服务、工作流编排、模型调用链路、效果观测、线上问题排查等工程化工作，推动算法能力真实落地到广告生产系统；\n6、前沿技术探索：跟踪多模态生成、大语言模型、Diffusion、视频生成、图像编辑、模型蒸馏、强化学习等前沿技术，并结合品牌广告业务场景进行落地验证。\n\n任职要求\n1、工作经验：AIGC、多模态、计算机视觉或生成模型相关经验，要求具备独立承担子方向的潜力；\n2、编程与工程基础：具备扎实的 Python 编程能力，熟悉 Linux 开发环境，熟练使用 PyTorch 等主流深度学习框架，有良好的代码习惯和实验管理能力；\n3、模型基础：熟悉 Transformer、Diffusion、CLIP、VAE、DiT、LLM、Multimodal LLM 等基础模型原理，理解主流图像 / 视频 / 多模态生成模型的基本训练和推理流程；\n4、AIGC 实践经验：至少在以下方向之一有实际经验：文生图、图生图、图像编辑、视频生成、图生视频、数字人、音频生成、素材理解、多模态评测；\n5、训练与调优能力：了解或实践过 SFT、LoRA、DreamBooth、ControlNet、Reward Model、偏好优化、模型蒸馏、模型量化、推理加速等技术中的一种或多种；\n6、数据与评测意识：具备较好的数据分析和实验对比意识，能够通过数据集构建、指标设计、A/B 实验、Bad Case 归因等方式判断模型效果，而不是只凭主观感受评估生成质量；\n7、业务理解能力：对广告、营销、内容生成或创意生产有兴趣，能够理解品牌广告对素材质量、品牌一致性、可控性和商业效果的要求。\n加分项:\n1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；\n2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；\n3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；\n4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；\n5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；\n6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀。\n大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n\n基础信息\n招聘类型：社招\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-07-16\n\n岗位职责\n1、AIGC 模型能力建设：负责大模型 / 多模态生成模型在品牌广告场景中的能力优化，包括但不限于文生图、图生图、图生视频、视频生成、音频生成、数字人等方向，提升广告素材生成质量、可控性和稳定性；\n2、品牌广告垂类模型优化：围绕品牌广告素材生产中的核心问题进行模型优化，包括品牌元素保真、Logo / 商品 / 文字一致性、安全区控制、构图版式约束、编辑一致性、素材美观度和广告感提升等；\n3、模型微调与后训练：参与大模型 SFT、LoRA、Reward Model、偏好优化、蒸馏、量化等工作，结合业务数据构建品牌广告垂类模型能力，提升模型在真实广告场景中的生成效果；\n4、评测体系与数据闭环建设：参与构建品牌广告 AIGC 评测体系，包括自动化指标、人工评测标准、Bad Case 分析、Benchmark 构建、数据清洗标注和效果回归，形成模型持续迭代闭环；\n5、算法工程化落地：与工程团队协作，将模型能力封装为稳定可用的业务服务，参与推理服务、工作流编排、模型调用链路、效果观测、线上问题排查等工程化工作，推动算法能力真实落地到广告生产系统；\n6、前沿技术探索：跟踪多模态生成、大语言模型、Diffusion、视频生成、图像编辑、模型蒸馏、强化学习等前沿技术，并结合品牌广告业务场景进行落地验证。\n\n任职要求\n1、工作经验：AIGC、多模态、计算机视觉或生成模型相关经验，要求具备独立承担子方向的潜力；\n2、编程与工程基础：具备扎实的 Python 编程能力，熟悉 Linux 开发环境，熟练使用 PyTorch 等主流深度学习框架，有良好的代码习惯和实验管理能力；\n3、模型基础：熟悉 Transformer、Diffusion、CLIP、VAE、DiT、LLM、Multimodal LLM 等基础模型原理，理解主流图像 / 视频 / 多模态生成模型的基本训练和推理流程；\n4、AIGC 实践经验：至少在以下方向之一有实际经验：文生图、图生图、图像编辑、视频生成、图生视频、数字人、音频生成、素材理解、多模态评测；\n5、训练与调优能力：了解或实践过 SFT、LoRA、DreamBooth、ControlNet、Reward Model、偏好优化、模型蒸馏、模型量化、推理加速等技术中的一种或多种；\n6、数据与评测意识：具备较好的数据分析和实验对比意识，能够通过数据集构建、指标设计、A/B 实验、Bad Case 归因等方式判断模型效果，而不是只凭主观感受评估生成质量；\n7、业务理解能力：对广告、营销、内容生成或创意生产有兴趣，能够理解品牌广告对素材质量、品牌一致性、可控性和商业效果的要求。\n加分项:\n1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；\n2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；\n3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；\n4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；\n5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；\n6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀。\n大模型算法工程师-（AIGC / 多模态生成方向）-【商业化】\n\n基础信息\n招聘类型：社招\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-07-16\n\n岗位职责\n1、AIGC 模型能力建设：负责大模型 / 多模态生成模型在品牌广告场景中的能力优化，包括但不限于文生图、图生图、图生视频、视频生成、音频生成、数字人等方向，提升广告素材生成质量、可控性和稳定性；\n2、品牌广告垂类模型优化：围绕品牌广告素材生产中的核心问题进行模型优化，包括品牌元素保真、Logo / 商品 / 文字一致性、安全区控制、构图版式约束、编辑一致性、素材美观度和广告感提升等；\n3、模型微调与后训练：参与大模型 SFT、LoRA、Reward Model、偏好优化、蒸馏、量化等工作，结合业务数据构建品牌广告垂类模型能力，提升模型在真实广告场景中的生成效果；\n4、评测体系与数据闭环建设：参与构建品牌广告 AIGC 评测体系，包括自动化指标、人工评测标准、Bad Case 分析、Benchmark 构建、数据清洗标注和效果回归，形成模型持续迭代闭环；\n5、算法工程化落地：与工程团队协作，将模型能力封装为稳定可用的业务服务，参与推理服务、工作流编排、模型调用链路、效果观测、线上问题排查等工程化工作，推动算法能力真实落地到广告生产系统；\n6、前沿技术探索：跟踪多模态生成、大语言模型、Diffusion、视频生成、图像编辑、模型蒸馏、强化学习等前沿技术，并结合品牌广告业务场景进行落地验证。\n\n任职要求\n1、工作经验：AIGC、多模态、计算机视觉或生成模型相关经验，要求具备独立承担子方向的潜力；\n2、编程与工程基础：具备扎实的 Python 编程能力，熟悉 Linux 开发环境，熟练使用 PyTorch 等主流深度学习框架，有良好的代码习惯和实验管理能力；\n3、模型基础：熟悉 Transformer、Diffusion、CLIP、VAE、DiT、LLM、Multimodal LLM 等基础模型原理，理解主流图像 / 视频 / 多模态生成模型的基本训练和推理流程；\n4、AIGC 实践经验：至少在以下方向之一有实际经验：文生图、图生图、图像编辑、视频生成、图生视频、数字人、音频生成、素材理解、多模态评测；\n5、训练与调优能力：了解或实践过 SFT、LoRA、DreamBooth、ControlNet、Reward Model、偏好优化、模型蒸馏、模型量化、推理加速等技术中的一种或多种；\n6、数据与评测意识：具备较好的数据分析和实验对比意识，能够通过数据集构建、指标设计、A/B 实验、Bad Case 归因等方式判断模型效果，而不是只凭主观感受评估生成质量；\n7、业务理解能力：对广告、营销、内容生成或创意生产有兴趣，能够理解品牌广告对素材质量、品牌一致性、可控性和商业效果的要求。\n加分项:\n1、有 AIGC 生成模型经验者优先：熟悉 Stable Diffusion、SDXL、Flux、Qwen-Image、Wan、CogVideo、HunyuanVideo、Seedance、可灵等图像 / 视频生成模型，有微调、蒸馏或推理优化经验；\n2、有多模态理解经验者优先：熟悉 CLIP、BLIP、LLaVA、Qwen-VL、InternVL 等多模态模型，有素材理解、图文匹配、广告素材打标、内容质量评估经验；\n3、有广告 / 内容场景经验者优先：参与过广告素材生成、智能审核、内容理解、营销创意生成、短视频生产、商品图生成、数字人营销等项目；\n4、有模型评测或 Benchmark 经验者优先：做过生成模型评测体系、自动化评测指标、Human Preference、VLM-as-Judge、Bad Case 分析、数据集构建等工作；\n5、有模型工程化经验者优先：熟悉 vLLM、Triton、TensorRT、ONNX、Diffusers、ComfyUI、Gradio、FastAPI 等工具，有模型服务化、推理加速、显存优化、部署上线经验；\n6、有论文 / 开源贡献者优先：在 CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD 等会议发表过相关论文，或有高质量开源项目、模型训练经验、技术博客沉淀。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T015"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}