{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "图形AI渲染工程师",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "上海",
        "work_mode": "未披露",AI生成
        "job_category": "未披露"AI生成
    },
    "company": {
        "company_name": "小米集团",
        "company_industry": "消费电子 / 智能制造 / 物联网",
        "company_size": "10000人以上",
        "company_website": "xiaomi.com",
        "company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科及以上应届生",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "一、AI 渲染算法研究与工程化\n1. 神经超分辨率（Neural Super Sampling）：参与 NSS / XSR / DLSS 类算法在移动 GPU 的移植与优化，覆盖游戏（原神、王者、和平精英、绝区零）与系统 UI 场景；\n2. 神经插帧（Neural Frame Generation）：参与 NFRU / AIFI / DLFG 类算法研究，实现 60→120fps 补帧，兼顾延迟与画质；\n3. 神经降噪与光追加速：Neural Denoiser、ReSTIR、Neural Irradiance Cache 等算法与硬件光追（RTAO / RT Shadows / RT Reflections / RT GI）协同优化；\n4. 生成式材质与 UI：端侧 Diffusion 模型生成动态壁纸、材质、图标；LLM → GLSL/AGSL Shader 自动生成； \n5. 3DGS / 4DGS：3D Gaussian Splatting、Dynamic Gaussian 在移动端的实时渲染与压缩； \n二、软硬件协同优化 \n6. 与SoC芯片团队（GPU/NPU/DPU/XUPE）协同，将神经网络算子下沉到硬件加速单元；优化 GPU-NPU 数据流； \n7. 参与神经渲染专用算子的 Compute Shader / Vulkan Cooperative Matrix / NPU 算子实现与调优；",
        "requirements_text": "1、本科及以上应届生，计算机科学、人工智能、图像图形学、数字媒体技术、软件工程、自动化、应用数学、物理、电子信息工程等相关专业；\n2、熟悉计算机图形学基础：光栅化管线 / 光线追踪、PBR、坐标变换、Shader 编程- 熟悉常见神经网络架构：CNN、Transformer、Diffusion Model、NeRF、Gaussian Splatting中的至少 2 种；\n3、加分项（有一项即可，多项优先） \n- 在 SIGGRAPH / SIGGRAPH Asia / NeurIPS / ICLR / CVPR / ICCV / ECCV / TOG / TVCG / TPAMI发表过论文（一作或核心贡献者）； \n- 有 神经渲染相关研究/项目经验：NeRF、Gaussian Splatting、Neural Radiance Cache、Neural Denoiser、DLSS/FSR/XeSS 复现等； \n- 有 Diffusion 模型 / 生成式 AI 相关经验：Stable Diffusion 训练/微调、ControlNet、LoRA、图像/视频生成； \n- 熟悉 GPU 架构与计算：CUDA、Compute Shader、Vulkan Compute、TensorCore、Cooperative Matrix；\n有 GPU kernel 优化经验。",
        "skills": [AI生成
            "CUDA",
            "渲染"
        ],
        "preferred_qualifications": "3、加分项（有一项即可，多项优先）",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://xiaomi.jobs.f.mioffice.cn/campus/m/position/7670910784603818267/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7670910784603818267",
        "post_date": "2026-08-06",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://xiaomi.jobs.f.mioffice.cn/campus/m/position/7670910784603818267/detail"
    },
    "fulltext": "图形AI渲染工程师\n职位描述\n一、AI 渲染算法研究与工程化\n1. 神经超分辨率（Neural Super Sampling）：参与 NSS / XSR / DLSS 类算法在移动 GPU 的移植与优化，覆盖游戏（原神、王者、和平精英、绝区零）与系统 UI 场景；\n2. 神经插帧（Neural Frame Generation）：参与 NFRU / AIFI / DLFG 类算法研究，实现 60→120fps 补帧，兼顾延迟与画质；\n3. 神经降噪与光追加速：Neural Denoiser、ReSTIR、Neural Irradiance Cache 等算法与硬件光追（RTAO / RT Shadows / RT Reflections / RT GI）协同优化；\n4. 生成式材质与 UI：端侧 Diffusion 模型生成动态壁纸、材质、图标；LLM → GLSL/AGSL Shader 自动生成； \n5. 3DGS / 4DGS：3D Gaussian Splatting、Dynamic Gaussian 在移动端的实时渲染与压缩； \n二、软硬件协同优化 \n6. 与SoC芯片团队（GPU/NPU/DPU/XUPE）协同，将神经网络算子下沉到硬件加速单元；优化 GPU-NPU 数据流； \n7. 参与神经渲染专用算子的 Compute Shader / Vulkan Cooperative Matrix / NPU 算子实现与调优；\n\n职位要求\n1、本科及以上应届生，计算机科学、人工智能、图像图形学、数字媒体技术、软件工程、自动化、应用数学、物理、电子信息工程等相关专业；\n2、熟悉计算机图形学基础：光栅化管线 / 光线追踪、PBR、坐标变换、Shader 编程- 熟悉常见神经网络架构：CNN、Transformer、Diffusion Model、NeRF、Gaussian Splatting中的至少 2 种；\n3、加分项（有一项即可，多项优先） \n- 在 SIGGRAPH / SIGGRAPH Asia / NeurIPS / ICLR / CVPR / ICCV / ECCV / TOG / TVCG / TPAMI发表过论文（一作或核心贡献者）； \n- 有 神经渲染相关研究/项目经验：NeRF、Gaussian Splatting、Neural Radiance Cache、Neural Denoiser、DLSS/FSR/XeSS 复现等； \n- 有 Diffusion 模型 / 生成式 AI 相关经验：Stable Diffusion 训练/微调、ControlNet、LoRA、图像/视频生成； \n- 熟悉 GPU 架构与计算：CUDA、Compute Shader、Vulkan Compute、TensorCore、Cooperative Matrix；\n有 GPU kernel 优化经验。\n一、AI 渲染算法研究与工程化\n1. 神经超分辨率（Neural Super Sampling）：参与 NSS / XSR / DLSS 类算法在移动 GPU 的移植与优化，覆盖游戏（原神、王者、和平精英、绝区零）与系统 UI 场景；\n2. 神经插帧（Neural Frame Generation）：参与 NFRU / AIFI / DLFG 类算法研究，实现 60→120fps 补帧，兼顾延迟与画质；\n3. 神经降噪与光追加速：Neural Denoiser、ReSTIR、Neural Irradiance Cache 等算法与硬件光追（RTAO / RT Shadows / RT Reflections / RT GI）协同优化；\n4. 生成式材质与 UI：端侧 Diffusion 模型生成动态壁纸、材质、图标；LLM → GLSL/AGSL Shader 自动生成； \n5. 3DGS / 4DGS：3D Gaussian Splatting、Dynamic Gaussian 在移动端的实时渲染与压缩； \n二、软硬件协同优化 \n6. 与SoC芯片团队（GPU/NPU/DPU/XUPE）协同，将神经网络算子下沉到硬件加速单元；优化 GPU-NPU 数据流； \n7. 参与神经渲染专用算子的 Compute Shader / Vulkan Cooperative Matrix / NPU 算子实现与调优；\n1、本科及以上应届生，计算机科学、人工智能、图像图形学、数字媒体技术、软件工程、自动化、应用数学、物理、电子信息工程等相关专业；\n2、熟悉计算机图形学基础：光栅化管线 / 光线追踪、PBR、坐标变换、Shader 编程- 熟悉常见神经网络架构：CNN、Transformer、Diffusion Model、NeRF、Gaussian Splatting中的至少 2 种；\n3、加分项（有一项即可，多项优先） \n- 在 SIGGRAPH / SIGGRAPH Asia / NeurIPS / ICLR / CVPR / ICCV / ECCV / TOG / TVCG / TPAMI发表过论文（一作或核心贡献者）； \n- 有 神经渲染相关研究/项目经验：NeRF、Gaussian Splatting、Neural Radiance Cache、Neural Denoiser、DLSS/FSR/XeSS 复现等； \n- 有 Diffusion 模型 / 生成式 AI 相关经验：Stable Diffusion 训练/微调、ControlNet、LoRA、图像/视频生成； \n- 熟悉 GPU 架构与计算：CUDA、Compute Shader、Vulkan Compute、TensorCore、Cooperative Matrix；\n有 GPU kernel 优化经验。",
    "standard_classification": {
        "std_category_code": "T006",
        "std_aux_codes": [
            "T014"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}