美团实时交互视频世界模型实习生

欢迎加入阿里巴巴数字人团队！ 如果你对以下领域感兴趣，并希望在实际项目中积累经验，欢迎加入我们！ 你将参与的工作： 个性化数字人形象生成系统 在海量用户数据和先进技术支持下，协助开发能够生成千人千面个性化虚拟形象的系统。 学习并应用基础的图像处理和生成模型，帮助提升系统的定制化能力。 高表现力肢体表情驱动技术研发 参与研发基于动作捕捉、表情合成和实时渲染技术的数字人表情和肢体动作驱动系统。 协助优化现有技术，使数字人的表情和动作更加自然流畅，增强情感表达能力。 核心技术难题攻克 在导师指导下，学习和探索基于扩散模型的高质量数字人生成技术。 多模态统一大模型的应用 了解并参与多模态信息融合的研究，结合图像、文本、音频等多种信息，构建具备理解能力和生成能力的数字人系统。 协助解决业界尚未突破的技术瓶颈，推动技术创新。 相关研究课题细分方向： 数字人形象定制与风格化迁移 协助开发和优化数字人形象定制生成能力，适配不同的实时互动场景。 学习并应用基本的图像处理和生成算法，提升系统的灵活性和适应性。 数字人表情与肢体动作驱动 在导师指导下，参与数字人表情和肢体动作驱动技术的研发。 协助测试和优化现有系统，使其表现力更接近真人水平。 数字人多模态理解感知能力 参与构建数字人与用户的实时交互系统，提升其理解和响应能力。 协助进行多模态信息融合实验，增强数字人的个性化服务能力。 我们期待你是： 计算机科学、软件工程、人工智能等相关专业的在校学生（本科或研究生）。 对数字人技术有浓厚兴趣，愿意在实践中学习和成长。 具备一定的编程基础（如Python、C++），熟悉常用的数据处理和机器学习框架（如PyTorch、TensorFlow）者优先。 良好的团队合作精神和沟通能力。 加入我们，你将获得： 丰富的实战经验和前沿技术的学习机会。 导师一对一指导，助力你的职业发展。 参与影响亿级用户的大规模项目，感受技术带来的巨大价值。 开放包容的工作环境和充满活力的团队氛围。 让我们一起定义未来数字人的无限可能，期待你的加入！

本项目聚焦于多模态交互数字人技术的前沿探索，旨在基于对话双方的多模态上下文（包括文本、语音、视频等），实现3D数字人表情与肢体动作的实时生成与动态驱动，显著提升数字人的拟人性、情感表达能力与临场感。研究成果将支撑虚拟主播、情感陪伴、沉浸式人机交互等创新应用场景。

【岗位职责】 1、根据个人技术背景与兴趣，你将重点参与并攻坚以下一项或多项核心工作，完成核心算法的优化探索，并在指导下冲击顶级学术会议（CVPR / ICCV / NeurIPS / ICLR 等）： 2、长时序生成： 深入探索实时可交互视频生成范式，参考并改进Self-forcing, Helios 等前沿架构，突破超长时序环境生成的质量和一致性瓶颈。 3、实时交互与加速： 研究并应用 DMD2 等前沿模型蒸馏与加速算法，大幅降低视频生成延迟，实现毫秒级的基于动作（Action-conditioned）的闭环环境响应。 4、通用视觉表征构建： 负责 VAE 等底层表征模型的探索与深度优化，大幅提升图像/视频特征的重建质量与时空压缩率，为世界模型构建高保真、强泛化性的通用视觉表征。 5、架构设计与优化： 参与交互式世界模型的底层架构设计、模型训练与工程优化，支持自动驾驶端到端算法的仿真验证。