阿里巴巴研究型实习生-视频生成模型优化研究
任职要求
1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历，博士优先； 2、扎实的深度学习与计算机视觉基础，熟悉扩散模型、Transformer、生成式AI等核心技术； 3、在文生图或文生视频领域有实际研究或项目经验，了解主流模型架构（如 Wa…
工作职责
岗位概述： 聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。 岗位职责： 1、前沿算法研究与创新： （1）深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈； （2）探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术； （3）针对视频生成中的时序建模，研发更轻量级但同样有效的时空注意力机制。 2、系统级优化与实现： （1）设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子； （2）利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量； （3）研究适用于高分辨率、长时序视频生成的计算与内存优化技术。 3、学术与技术影响力： （1）将研究成果发表在顶级AI会议，构建团队的行业影响力； （2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。
聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。
岗位概述： 聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。 岗位职责： 1、前沿算法研究与创新： （1）深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈； （2）探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术； （3）针对视频生成中的时序建模，研发更轻量级但同样有效的时空注意力机制。 2、系统级优化与实现： （1）设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子； （2）利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量； （3）研究适用于高分辨率、长时序视频生成的计算与内存优化技术。 3、学术与技术影响力： （1）将研究成果发表在顶级AI会议，构建团队的行业影响力； （2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。
1、理解-生成融合范式： 研究理解模型和生成模型的有效融合范式，例如探索Diffusion-Transformer (DiT) 和 Auto-Regressive (AR) 模型的融合与交互方式。 2、融合音频数据的统一模型： 将音频数据融入现有的多模态理解和生成框架，构建更全面的多模态统一模型。 3、统一Tokenizer研究： 探索适用于图像、视频、音频等多种模态生成和理解的统一Tokenizer，提高模型的泛化能力和效率。
岗位概述： 聚焦文生视频模型的推理与训练加速技术，探索、设计并实现全新的算法与系统级解决方案。解决当前文生视频模型面临的最大瓶颈：高昂的计算成本与漫长的生成时间。 岗位职责： 1、前沿算法研究与创新： (1) 深入研究当前主流文生视频模型（如Wanx、CogVideo等）的架构，定位其在计算、内存及I/O上的核心瓶颈； (2) 探索并设计全新的高效模型架构，将MoE、Sparse Attention等先进思想引入Diffusion Transformer，研究少步/单步生成技术； (3) 深入研究时空表征冗余消除技术，突破时空 Token 的同质化计算瓶颈。研发自适应缓存与特征复用机制，达成推理速度与视觉生成质量的最优平衡。 2、系统级优化与实现： (1) 设计并实现高性能的自定义CUDA/Triton核函数，以支持不规则稀疏计算模式或新型算子； (2) 利用量化、剪枝、蒸馏等模型压缩技术，在保持生成质量的同时，大幅缩减模型尺寸和计算量； (3) 研究适用于高分辨率、超长视频生成的计算与内存优化技术。 3、学术与技术影响力： （1）将研究成果发表在顶级AI会议，构建团队的行业影响力； （2）跟踪并分析业界最新的技术动态，确保我们的研究方向始终保持领先。