视频与多模态生成基模研究员（后训练）

岗位职责
关于岗位
我们正在面向 Physical AI 研发新一代视频与多模态生成基座模型，希望从大规模视觉数据中学习物体、空间与动态变化的规律，构建兼具理解、生成和预测能力的模型，为物理世界的感知、仿真与交互提供基础能力。
该岗位聚焦视频与多模态基座模型的后训练，围绕高质量监督微调、偏好与奖励优化、模型蒸馏等方向，提升模型的语义与条件遵循、时空一致性及推理效率。我们关注生成质量，也关注模型能否理解场景、保持长时状态、预测动态变化，并将学到的能力迁移到新的场景和任务。
我们尤其重视对生成模型原理的深入理解与原创研究能力：能够分析现有方法的假设与局限，提出有价值的研究问题，通过理论分析、方法设计和训练实验推动基模创新。
欢迎在视频、图像或多模态生成方向有深入积累，希望探索下一代基础模型的研究者。 你将与数据、基础设施及具身世界模型团队协作，把生成模型研究推进到服务真实物理世界的基础能力。

工作职责
根据研究专长，重点承担以下一个或多个方向，并与团队共同推进基模能力建设：
开展生成模型的理论分析与方法创新。 围绕现有模型在表示、训练和生成过程中的关键限制，提出可检验的研究假设，通过数学推导、机制分析与对照实验，设计新的模型架构、训练目标或学习方法，推动新一代视频与多模态基模研发。
研究面向目标能力的监督微调。 围绕语义遵循、空间关系理解、条件控制与动态预测，研究高质量监督数据、训练目标和优化方法，提升模型对多模态上下文的利用能力，以及对象、场景与运动的一致性。
研究生成模型的偏好与奖励优化。 探索偏好学习、奖励建模与强化学习等方法，将生成质量、语义遵循和时空一致性等目标转化为有效训练信号，研究多目标权衡、奖励偏差与优化稳定性问题。
研究长序列与流式生成。 围绕已有模型的长时一致性、历史信息利用及误差累积，探索序列级训练与生成策略，分析并改善训练与推理的差异，研究适合持续预测的高效训练与推理机制。
研究少步生成与模型蒸馏。 探索一致性学习、分布匹配蒸馏等方法，降低生成步数与推理成本，研究生成质量、条件遵循、多样性与推理效率之间的权衡。
推进后训练与数据迭代。 与数据、基础设施团队协作，开展后训练和消融实验，解决训练稳定性与效率问题，并通过数据配比、质量分析和坏例回查提升模型能力。研究高质量示范、偏好对、难例与合成数据的构建和使用方法，验证人工反馈与自动奖励信号的可靠性。
建立面向目标能力的评测。 围绕生成质量、语义遵循、时空一致性、动态预测与跨场景泛化开展评估，并与具身世界模型团队共同验证基模能力在物理场景中的迁移效果。同时研究目标能力提升与通用能力保留、生成多样性及推理成本之间的权衡。
与团队共同交付能力增强或加速后的基模权重（checkpoint）、可复现的后训练方法，以及能力收益、泛化效果与推理成本的分析结果。

岗位要求
在视频生成、图像生成、统一多模态模型或相关生成建模方向，至少具备一项深入的研究与实践经验，能够清楚说明个人在模型、训练方法或关键实验中的贡献。
具备扎实的概率统计、线性代数与优化基础，对 diffusion、Flow Matching、自回归模型等至少一类生成方法有原理层面的深入理解，能够推导关键训练目标，解释建模假设、近似条件及训练与采样机制之间的关系。
具备独立提出问题和设计方法的能力，能够从理论分析或实验现象中识别现有方法的局限，提出新的架构、表示方式、训练目标或学习算法，并清楚说明创新依据、与已有方法的区别及适用边界。
曾亲自训练、修改或调试生成模型，熟悉 Transformer、Python 和 PyTorch，能够从模型计算、梯度、特征融合与训练数据等环节定位问题。
能够将理论认识和研究假设转化为可执行、可验证的实验，建立可靠 baseline 和可复现的训练流程，通过对照与消融分析方法为何有效，区分理论结论、经验假设和实验观察。
对从视觉数据中学习动态规律、构建服务 Physical AI 的基础模型有兴趣，具备独立研究能力，愿意与数据、基础设施及应用研究团队共同解决实际问题。
在监督微调、偏好学习、强化学习或模型蒸馏等至少一个方向具备研究与实践经验，能够解释所用训练信号、优化目标及其对生成行为的影响。能够将具体能力缺陷转化为有效训练信号，并通过未见样本与场景上的对照实验验证改进的泛化效果。

加分项
在生成建模、表征学习或相关基础方法上有原创研究成果，能够展示从问题提出、原理分析到方法设计与实验验证的完整过程。
参与过视频或多模态基模的监督微调、偏好优化或能力增强，具备训练稳定性与泛化分析经验。
具备生成模型奖励建模、人类反馈、合成数据或多目标优化的研究经验。
具备自回归视频、图文交错生成、多轮生成、长上下文或流式生成经验。
具备 3D/4D 生成、几何与运动建模、可控生成或物理一致性研究经验。
具备大规模分布式训练、少步生成、模型蒸馏或推理效率优化经验。
有能够体现研究深度和实际贡献的论文、开源项目或模型成果。

*候选人无需覆盖所有方向。我们重视在至少一条技术路线上的理论理解、原创研究与模型训练能力，以及将这些经验迁移到新一代基模研究中的潜力。