Job description
图像与多模态实验室致力于构建涵盖语言、视觉、语音等多种模态的基础模型，支持多模态感知、理解、推理、生成与编辑等核心任务。我们的目标是为模型应用提供世界一流的基础模型保障，推动从纯语言任务到多模态任务的拓展，并实现从数字世界到物理世界的深度融合。 岗位职责
- 参与全模态交互世界模型的研发和落地工作（实习生以发论文为主，正式员工技术研究落地为主），包括但不限于t2v/i2v/ti2va等基础模型模态研发（如videovae/audiovae/dit/vsr/pe/caption）、全模态交互视频生成和世界模型等；
- 参与探索多模态大语言模型mllm如deepseek/qwen与世界模型相结合，如理解生成一体化，包括但不限于：全模态理解推理、多轮交互、rl后训练等。
- 参与探索实时可交互全模态视频生成技术，包括但不限于moe/sparse attention模型架构设计，蒸馏加速，模型压缩，长视频生成，工程量化等。
- 参与优化全模态数据管线，包括数据清洗/构建/scale up/线上数据回流分析等数据飞轮。
- 参与制定全模态视频生成质量标准和评测体系，指导模型研发迭代，摸清跟竞品的水位。
- 在顶会顶刊上发表研究成果和开源代码，提升团队在实时全模态交互世界模型领域的学术声望；
任职要求 / Qualifications: 1.硕士及以上学历，熟悉视频生成基础模型如Sora、Veo、moviegen、hunyunvideo，wan等； 2.熟悉语音驱动视频生成、音画同步视频生成优先； 3.熟悉多模态大语言模型（deepseek/qwen等）、多模态理解生成、世界模型优先； 4.熟悉实时视频生成，推理加速优化优先；熟悉deepspeed/megatron框架和算子优化优先； 5.有多模态大语言模型、图像/视频生成、3D生成大规模训练和数据清洗构建经验者优先； 6.学习能力强、自驱、代码能力强、善于解决问题者优先； 7.有一作顶会或顶刊论文发表经历或相关知名大模型开源项目者优先。
符合京东价值观：客户为先、创新、拼搏、担当、感恩、诚信。