腾讯腾讯视频-多模态视频实时生成研究

1、负责多模态视频生成模型的 RLHF 数据体系建设与工程落地，围绕运动质量、文本对齐、画面稳定性、风格一致性等核心业务指标，构建可规模化、可迭代的数据生产与交付流程； 2、设计并实现面向视频生成的 偏好建模与 Reward 机制，将主观质量（美感、合理性、符合指令等）转化为稳定、可优化的训练信号，推动模型在真实场景中的持续提升； 3、在生产环境中落地 DPO / GRPO / ReFL / PPO 等后训练与强化学习方法，结合数据策略与算法设计，提升模型效果并控制训练成本与稳定性； 4、深度对齐业务目标（如生成质量、用户满意度、场景可用性、内容安全等），以 “数据 + 算法 + 评测”闭环驱动模型迭代，对关键指标提升结果负责； 5、与算法、工程、数据、产品及运营团队紧密协作，建设 自动化数据管线、评测与回归体系，确保 RLHF 能在多模型、多版本中稳定复用与规模化落地。

1、参与快手Kling多模态视频生成的研发和落地工作，包括但不限于：t2v，i2v等基础模型研发、多模态可控视频生成编辑、世界模型等； 2、探索将多模态大语言模型MLLM如DeepSeek/Qwen相关技术与视频生成相结合，包括但不限于：提升Kling视频生成的多模态理解、推理、多轮交互能力等； 3、探索将语音和视频生成相结合，包括但不限于：语音驱动的视频生成，有声视频等； 4、探索实时可拓展的多模态视频生成技术，提升多模态视频生成的质量和效率等； 5、在顶会顶刊上发表研究成果和开源代码，提升团队在多模态视频生成等领域的学术声望。