腾讯视觉生成模型评测
任职要求
1、视觉传达、数字媒体、影视动画等相关专业优先；
2、具备扎实的图像审美判断力，对色彩、构图、质感、表现力等维度有自己的判断标准；
3、逻辑清晰，能做结构化分析，做事严谨细致；
4、对 AIGC 图像生成有浓厚兴趣。
加分项…工作职责
1、依据美学与质量评测标准，对模型生成的图像样本做分类、评分、问题归因等多维度标注； 2、协助进行标注结果的校准与反馈，确保判断一致性； 3、整理典型样例与边界 case，反哺评测标准的迭代。
1、参与多模态大模型与视觉生成大模型端到端安全评测体系建设，围绕内容安全、对抗鲁棒性、越狱攻击、防御有效性等方向设计并执行系统化评测方案，推动模型安全能力量化与评估标准完善。 2、参与多模态大模型与视觉生成大模型隐层表征风险感知能力研究，构建面向风险识别/安全判别的内部表征分析框架，探索模型在不同语义空间下的风险感知与决策机制。 3、参与多模态大模型与视觉生成大模型可解释性与模型探针（Model Probing）研究与落地，基于探针技术分析模型内部知识编码、风险表征分布及安全行为形成机制，提升模型安全决策透明度与可解释能力。 4、参与面向多模态理解与视觉生成场景的低侵入式插件化原生安全围栏算法研发，探索轻量、高效、可插拔的安全防护机制，提升大模型原生安全能力与部署灵活性。 5、参与多模态大模型与视觉生成大模型原生安全增强技术的探索与落地，研究以低侵入、最小打扰方式提升目标模型解码阶段安全性的关键技术路径，在保障模型安全性的同时平衡生成质量与用户体验。 6、跟踪国内外大模型安全、模型可解释性及 Runtime Safety Alignment等前沿研究进展，复现相关论文与开源方案，推动研究成果在实际业务场景中的落地应用。
1.内生安全机制研究：研究视觉生成模型的训练过程，如何将内容安全、版权合规及伦理约束转化为可微分的损失函数或架构约束，实现安全能力的“内生化”； 2.价值观对齐探索：探索基于人类反馈的强化学习（RLHF）或直接偏好优化（DPO）在视觉领域的应用，确保模型生成内容符合普世价值观及特定区域的法律法规要求； 3.对抗鲁棒性建设：构建自动化红队测试（Red Teaming）流程，结合视觉生成模型的特点，针对各类攻击进行压力测试，并设计防御机制以提升模型的鲁棒性； 4.安全与效用平衡：在保障安全底线的前提下，优化模型生成质量，探索安全约束与创作自由度之间的最优解。
基于通用大模型，结合创作垂类应用场景，进行领域微调、专项能力增强和偏好学习，提升垂类大模型能力； 构建以智能创作为核心的多模态AI Agent，推动相关的新技术和产品形态落地。
1. 负责视觉生成大模型 Post-Training 核心算法研发，包括 RL、蒸馏、reward model等，持续提升生成结果的质量与多样性 2. 跟踪视觉生成领域的最新学术进展和行业动态，鼓励发表高水平论文和开源成果，提升团队算法影响力 3. 参与高质量训练数据的构建与合成，包括但不限于数据清洗、标注与评估体系搭建等 4. 探索多模态理解与生成统一架构，探索视觉感知与生成能力的协同演进，推动文本、图像、视频等多模态信息的联合建模