阿里巴巴视频生成模型工程师-Agentic视频生成
任职要求
1. 计算机、人工智能、数学等相关专业，硕士/博士在读优先； 2. 熟悉Python和PyTorch，具备优秀的算法实现与代码工程能力； 3. 熟悉扩散模型（Diffusion Models/DiT）或视频生成相关技术，理解主流LLM/MLLM基础架构，有SFT/…
工作职责
围绕Agentic视频生成方向，开展视频智能体架构设计、多镜头一致性控制和推理侧扩展相关研究，推动视频生成模型从“单点工具”向“自主系统”演进，并服务于广告营销、短剧创作等实际业务落地。 你将参与以下一个或多个方向的工作： 1. 视频Agent工作流构建：面向复杂剧情生成场景，研究视频Agent的核心组件，包括任务自主拆解、长短期记忆机制、工具调用及自我反思与修正。通过SFT/RLHF/DPO等后训练技术，提升模型在分镜规划与多维指令遵从上的能力，探索从模糊意图到高质量长视频生成的端到端智能体方案。 2. 可控生成与长视频能力：面向商业级视频交付需求，研究基于Agent上下文记忆的多镜头一致性控制算法，攻克复杂场景下角色IP、场景特征与运动规律的稳定性难题。通过后训练，重点突破长视频生成的时空稳定性与长效剧情逻辑，提升模型在长时序列下的生成质量。同时研究视频大模型在推理阶段的Test-time Scaling策略，突破模型在复杂提示词下的语义对齐上限。 3. 视频智能体评测与进化：构建完善的视频Agent量化评测体系，涵盖视觉一致性、意图命中率、任务完成度等核心维度，打通从数据采集、自动评测到模型在线迭代的闭环。结合广告、漫剧等具体业务场景，参与Agent系统的设计与优化，显著提升商业化视频生成的可用率与交付效率。
1. 负责大模型(LLM/VLM), 视频生成、数字人相关算法服务高性能推理服务研发与部署； 2. 负责大语言模型（VLM/LLM）应用系统的架构设计与工程实现； 3. 主导大模型微调, 模型压缩、量化(INT8/AWQ)及性能调优，深度应用TensorRT-LLM, vLLM, Triton等推理引擎； 4. 推动大模型，视频生成，图片生成等生成服务在电商(如数字人、带货视频)场景的工程化落地与性能保障。
团队介绍： 高德地图机器学习研发部是公司AI核心技术引擎，聚焦多模态大模型、视频生成与理解、图像编辑与生成等前沿领域。团队深耕人工智能技术落地，支撑亿级用户产品，同时长期投入前沿探索，在NeurIPS/ICLR/CVPR/ICCV/ACL等顶会发表多篇论文，多项成果入选“最有影响力论文”榜单。我们拥有海量数据与算力资源，鼓励创新突破，诚邀你与顶尖算法专家并肩，共同定义AI的未来！如果你渴望挑战多模态与生成式AI的技术巅峰，在视频、图像、大模型的交叉领域实现突破，欢迎加入我们！团队的github页面是：https://github.com/AMAP-ML/ 我们提供 • 参与亿级用户产品的AI核心算法研发，见证技术直接赋能业务； • 与学术大牛和工业界专家共事，持续提升技术视野； • 顶配算力资源+开放创新氛围，支持前沿探索与顶会论文发表。 具体职责包括但不限于： 1. 视频生成：负责视频生成技术的前沿技术的研究,包括world model，对AIGC的diffusion和auto-regressive技术有深入了解，在T2I/AIGCT2V/I2V上面有一定的研究，图文对齐，长视频生成等有一定的研究，做好视频生成在高德业务（广告，POI详情页等）中的进行落地。 2. 视频理解：能够使用和优化多模态大模型对用户上传的视频进行质量理解，标签，densecaption，视频summary等生成，作用到视频的搜索，广告，推荐等业务的落地。 3. 世界模型： 参与世界模型的构建，能够使用最新的视频生成技术，包括：SFT，RL，DMD+Forcing等工作，3D技术等构建符合人类物理规律的统一的世界模型，在高德的业务进行落地。 4. 紧跟技术前沿和技术沉淀，形成顶会论文和专利。
我们是高德视觉技术中心，专注于以计算机视觉技术为核心的前沿研究与创新应用，致力于打造时空互联网领域的核心技术能力。 我们致力于构建 “真实世界 × 虚拟世界” 的生成式世界模型，引领多模态 AI 赋能智慧出行和日常生活。团队成员参与端到端 3D+视频+语言 大模型的研发，与阿里云算力、十亿级全域图像 / 点云 / 出行数据深度结合，让算法在真实应用中产生即时经济价值与社会影响力。 团队主页：https://github.com/amap-cvlab 岗位职责： 1. 核心算法研发：主导 1B-100B 参数级世界模型 / VLA / VLM 网络的整体方案与关键模块创新； 2. 高效预训练与微调：构建跨模态自监督目标（时序一致性、物理一致性、语言对齐等），并推动 SFT → DPO → RL-HF 全链路落地上线； 3. 跨模态推理与生成：针对 3D 场景、连续视频、语言描述开展对齐、生成与评估实验，推动端到端模型落地。创新3D场景/连续视频/交互策略/语言描述等跨多种模态的端到端理解与生成； 4. 产线落地与性能优化：与地图引擎、自动驾驶、智能导航等业务协同，迭代模型压缩、Edge-Cloud 混合部署、隐私数据训练； 5. 技术沉淀与传播：完成技术调研、实验复现、消融与报告撰写，将成果转化为论文、专利等技术沉淀。
我们是高德视觉技术中心，专注于以计算机视觉技术为核心的前沿研究与创新应用，致力于打造时空互联网领域的核心技术能力。 我们致力于构建 “真实世界 × 虚拟世界” 的生成式世界模型，引领多模态 AI 赋能智慧出行和日常生活。团队成员参与端到端 3D+视频+语言 大模型的研发，与阿里云算力、十亿级全域图像 / 点云 / 出行数据深度结合，让算法在真实应用中产生即时经济价值与社会影响力。 团队主页：https://github.com/amap-cvlab 岗位职责： 1. 核心算法研发：主导 1B-100B 参数级世界模型 / VLA / VLM 网络的整体方案与关键模块创新； 2. 高效预训练与微调：构建跨模态自监督目标（时序一致性、物理一致性、语言对齐等），并推动 SFT → DPO → RL-HF 全链路落地上线； 3. 跨模态推理与生成：针对 3D 场景、连续视频、语言描述开展对齐、生成与评估实验，推动端到端模型落地。创新3D场景/连续视频/交互策略/语言描述等跨多种模态的端到端理解与生成； 4. 产线落地与性能优化：与地图引擎、自动驾驶、智能导航等业务协同，迭代模型压缩、Edge-Cloud 混合部署、隐私数据训练； 5. 技术沉淀与传播：完成技术调研、实验复现、消融与报告撰写，将成果转化为论文、专利等技术沉淀。