主分类：大模型与生成式算法研发
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": "大模型算法实习生（AIGC方向）",
"job_level": "实习",AI生成
"work_category": "实习",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": "硕士或博士在读（优秀的本科高年级同学亦可）",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "大模型算法实习生（AIGC方向）\n\n基础信息\n招聘类型：实习\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-05-24\n\n岗位职责\n1. 前沿探索与落地：负责AIGC（文生图/图生视频/数字人）和大语言模型在品牌广告场景的前沿算法研究，包括但不限于：创意文案生成、广告视频智能剪辑、数字人播报、多模态内容理解等；\n2. 模型微调与优化：参与大模型的指令微调（SFT）、人类反馈强化学习（RLHF）以及LoRA等高效参数微调工作，提升模型在广告营销场景的生成质量与业务相关性；\n3. 工程化实践：配合工程团队，将研究算法进行服务化封装（如基于vLLM/Triton的推理服务），优化模型推理性能（显存优化/量化/加速），确保算法在高并发、低延迟环境下稳定运行；\n4. 数据闭环：参与构建高质量的数据集（清洗、标注、评估），建立自动化评估体系，持续迭代模型效果。\n\n任职要求\n1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上；\n2. 编程功底：扎实的Python/C++编程能力，熟悉Linux环境开发，掌握PyTorch/TensorFlow等主流深度学习框架；\n3. 理论基础：熟悉Transformer架构、BERT/GPT系列模型原理，对多模态模型（如CLIP、Stable Diffusion、LLaVA）或大语言模型（LLaMA、Qwen等）有深入理解；\n加分项（满足其一即可）：\n1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；\n2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型；\n3. 工程能力强：有模型推理加速经验（TensorRT/ONNX/vLLM）、有分布式训练经验（DeepSpeed/Megatron）。",
"requirements_text": "大模型算法实习生（AIGC方向）\n\n基础信息\n招聘类型：实习\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-05-24\n\n岗位职责\n1. 前沿探索与落地：负责AIGC（文生图/图生视频/数字人）和大语言模型在品牌广告场景的前沿算法研究，包括但不限于：创意文案生成、广告视频智能剪辑、数字人播报、多模态内容理解等；\n2. 模型微调与优化：参与大模型的指令微调（SFT）、人类反馈强化学习（RLHF）以及LoRA等高效参数微调工作，提升模型在广告营销场景的生成质量与业务相关性；\n3. 工程化实践：配合工程团队，将研究算法进行服务化封装（如基于vLLM/Triton的推理服务），优化模型推理性能（显存优化/量化/加速），确保算法在高并发、低延迟环境下稳定运行；\n4. 数据闭环：参与构建高质量的数据集（清洗、标注、评估），建立自动化评估体系，持续迭代模型效果。\n\n任职要求\n1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上；\n2. 编程功底：扎实的Python/C++编程能力，熟悉Linux环境开发，掌握PyTorch/TensorFlow等主流深度学习框架；\n3. 理论基础：熟悉Transformer架构、BERT/GPT系列模型原理，对多模态模型（如CLIP、Stable Diffusion、LLaVA）或大语言模型（LLaMA、Qwen等）有深入理解；\n加分项（满足其一即可）：\n1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；\n2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型；\n3. 工程能力强：有模型推理加速经验（TensorRT/ONNX/vLLM）、有分布式训练经验（DeepSpeed/Megatron）。",
"skills": [AI生成
"Python",
"C++",
"Linux",
"PyTorch",
"TensorFlow",
"深度学习",
"强化学习",
"模型微调",
"文案",
"招聘",
"大语言模型"
],
"preferred_qualifications": "加分项（满足其一即可）：；1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型",
"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/30872"
}
]
},
"posting": {
"posting_id": "30872",
"post_date": "2026-05-24",
"hire_time": "1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上",
"update_date": "20260917",
"job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/30872"
},
"fulltext": "大模型算法实习生（AIGC方向）\n大模型算法实习生（AIGC方向）\n\n基础信息\n招聘类型：实习\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-05-24\n\n岗位职责\n1. 前沿探索与落地：负责AIGC（文生图/图生视频/数字人）和大语言模型在品牌广告场景的前沿算法研究，包括但不限于：创意文案生成、广告视频智能剪辑、数字人播报、多模态内容理解等；\n2. 模型微调与优化：参与大模型的指令微调（SFT）、人类反馈强化学习（RLHF）以及LoRA等高效参数微调工作，提升模型在广告营销场景的生成质量与业务相关性；\n3. 工程化实践：配合工程团队，将研究算法进行服务化封装（如基于vLLM/Triton的推理服务），优化模型推理性能（显存优化/量化/加速），确保算法在高并发、低延迟环境下稳定运行；\n4. 数据闭环：参与构建高质量的数据集（清洗、标注、评估），建立自动化评估体系，持续迭代模型效果。\n\n任职要求\n1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上；\n2. 编程功底：扎实的Python/C++编程能力，熟悉Linux环境开发，掌握PyTorch/TensorFlow等主流深度学习框架；\n3. 理论基础：熟悉Transformer架构、BERT/GPT系列模型原理，对多模态模型（如CLIP、Stable Diffusion、LLaVA）或大语言模型（LLaMA、Qwen等）有深入理解；\n加分项（满足其一即可）：\n1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；\n2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型；\n3. 工程能力强：有模型推理加速经验（TensorRT/ONNX/vLLM）、有分布式训练经验（DeepSpeed/Megatron）。\n大模型算法实习生（AIGC方向）\n\n基础信息\n招聘类型：实习\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-05-24\n\n岗位职责\n1. 前沿探索与落地：负责AIGC（文生图/图生视频/数字人）和大语言模型在品牌广告场景的前沿算法研究，包括但不限于：创意文案生成、广告视频智能剪辑、数字人播报、多模态内容理解等；\n2. 模型微调与优化：参与大模型的指令微调（SFT）、人类反馈强化学习（RLHF）以及LoRA等高效参数微调工作，提升模型在广告营销场景的生成质量与业务相关性；\n3. 工程化实践：配合工程团队，将研究算法进行服务化封装（如基于vLLM/Triton的推理服务），优化模型推理性能（显存优化/量化/加速），确保算法在高并发、低延迟环境下稳定运行；\n4. 数据闭环：参与构建高质量的数据集（清洗、标注、评估），建立自动化评估体系，持续迭代模型效果。\n\n任职要求\n1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上；\n2. 编程功底：扎实的Python/C++编程能力，熟悉Linux环境开发，掌握PyTorch/TensorFlow等主流深度学习框架；\n3. 理论基础：熟悉Transformer架构、BERT/GPT系列模型原理，对多模态模型（如CLIP、Stable Diffusion、LLaVA）或大语言模型（LLaMA、Qwen等）有深入理解；\n加分项（满足其一即可）：\n1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；\n2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型；\n3. 工程能力强：有模型推理加速经验（TensorRT/ONNX/vLLM）、有分布式训练经验（DeepSpeed/Megatron）。\n大模型算法实习生（AIGC方向）\n\n基础信息\n招聘类型：实习\n职位类别：J0011\n工作地点：Hangzhou\n所属部门：D5700\n发布时间：2026-05-24\n\n岗位职责\n1. 前沿探索与落地：负责AIGC（文生图/图生视频/数字人）和大语言模型在品牌广告场景的前沿算法研究，包括但不限于：创意文案生成、广告视频智能剪辑、数字人播报、多模态内容理解等；\n2. 模型微调与优化：参与大模型的指令微调（SFT）、人类反馈强化学习（RLHF）以及LoRA等高效参数微调工作，提升模型在广告营销场景的生成质量与业务相关性；\n3. 工程化实践：配合工程团队，将研究算法进行服务化封装（如基于vLLM/Triton的推理服务），优化模型推理性能（显存优化/量化/加速），确保算法在高并发、低延迟环境下稳定运行；\n4. 数据闭环：参与构建高质量的数据集（清洗、标注、评估），建立自动化评估体系，持续迭代模型效果。\n\n任职要求\n1. 学历背景：计算机、人工智能、数学等相关专业，硕士或博士在读（优秀的本科高年级同学亦可），能保证3-6个月的实习时间，每周出勤4天以上；\n2. 编程功底：扎实的Python/C++编程能力，熟悉Linux环境开发，掌握PyTorch/TensorFlow等主流深度学习框架；\n3. 理论基础：熟悉Transformer架构、BERT/GPT系列模型原理，对多模态模型（如CLIP、Stable Diffusion、LLaVA）或大语言模型（LLaMA、Qwen等）有深入理解；\n加分项（满足其一即可）：\n1. 有顶会论文者优先：在CVPR/ICCV/ACL/EMNLP/ICML等顶级会议或期刊上发表过相关论文；\n2. 有开源贡献者优先：熟悉HuggingFace、LangChain、Diffusers等社区生态，有开源项目贡献经历或自己训练/微调过开源大模型；\n3. 工程能力强：有模型推理加速经验（TensorRT/ONNX/vLLM）、有分布式训练经验（DeepSpeed/Megatron）。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}