腾讯音乐多模态算法研究员（视频生成）
任职要求
1. 博士学历，计算机、信息、通信、信号类及相关专业； 有机器学习 / AI / 计算机视觉 / 多模态等相关方向研究或项目经验，具备视频生成或图像生成项目经历，或AIGC项目落地经验，或有自研算法并成功应用于产品者优先。 2. 具备扎实的传统机器学习算法理论基础，深入理解主流生成模型（Diffusion Models、VAE、GAN）及其在视频领域的扩展；熟悉视频生成领域的最新进展（如Video Diffusion Models、…
工作职责
1. 专注于视频生成领域的前沿技术探索与研发，包括但不限于文本/音频/图像到视频生成、视频编辑与预测、时序一致性建模等；结合多模态技术提升生成内容的语义对齐与视觉质量。 2. 基于AIGC技术优化视频生成效果（如画质、连贯性、可控性），提升用户体验，并探索商业化场景（如短视频创作、音乐可视化、虚拟人驱动等）。 3. 推动视频生成算法在TME各项业务中的落地应用，或驱动新产品的诞生（如AI音乐视频自动生成、智能MV剪辑工具）。
1.负责世界模型（World Model）相关核心算法的研发与落地，包括但不限于视频生成、视频预测、视频编辑等方向； 2.探索面向游戏世界场景的新一代视频生成技术，构建具备可交互性、可编辑性、物理一致性和时空一致性的世界模型。
1.负责世界模型（World Model）相关核心算法的研发与落地，包括但不限于视频生成、视频预测、视频编辑等方向； 2.探索面向游戏世界场景的新一代视频生成技术，构建具备可交互性、可编辑性、物理一致性和时空一致性的世界模型。
探索下一代原生多模态基础模型：让模型不止于接入视觉能力，而是能够统一建模文本、图像、视频与交互过程，像理解文字一样理解视觉世界，并在真实物理场景中进行推理、生成和行动。我们将重点探索统一的多模态表征体系，包括离散视觉 token、连续视觉表征及其混合形式，使图像与视频能够被基础模型高效学习、组合和生成。 你将参与以下方向中的一个或多个： 1、研究多模态与文本模态的深度融合策略，包括 early fusion 架构设计、多模态 / 文本数据配比优化、多模态上下文建模等，实现视觉能力与语言能力的协同提升。 2、从互联网及业务场景中大规模挖掘、清洗和构建高质量多模态训练数据，覆盖图文交错、视频、网页、文档、GUI、代码和交互轨迹等数据形态，支撑模型在 browser use、复杂文档理解、vision-to-code 等生产力场景的能力突破。 3、设计兼顾理解、重建与生成的视觉表征体系，包括离散视觉 tokenizer、多尺度视觉 token、视频 tokenization 以及连续 / 离散混合表征；基于理解与生成统一的表征，规模化构建图文交错、视频序列等多模态自监督预训练数据，解锁新的多模态智能维度。 4、基于理解与生成统一的模型能力，探索长程、多轮的多模态生成与交互任务，通过端到端强化学习激发模型的自我评估和迭代修正能力；进一步探索未来帧预测、状态建模和交互轨迹学习在物理视觉世界中的推理、规划与行动能力。
1.从事Omni多模态大模型的研发，包括训练数据的设计和构造，基础模型算法的设计，针对预训练/SFT/RL相关的优化，模型能力的评测，各种下游应用场景的探索； 2.科学分析研发中的各种问题，找到模型性能的瓶颈，从第一性原理出发找到解决方案，加速模型的开发和迭代，确保模型的竞争力和领先性； 3.探索实现Omni模态理解、生成能力的不同范式，研究下一代的模型架构，探索多模态模型的边界。