视频生成算法工程师（强化学习）
岗位摘要
设计视频生成模型的后训练流程，包括SFT、DPO、diffusion RL等方法；基于多维奖励模型构建训练reward，优化文本-视频对齐、运动质量、美感、主体一致性和崩坏率；探索reward hacking防御、多奖励平衡以及在线/离线偏好数据混合策略
岗位职责
- 设计视频生成模型的后训练流程，包括SFT、DPO、diffusion RL等方法
- 基于多维奖励模型构建训练reward，优化文本-视频对齐、运动质量、美感、主体一致性和崩坏率
- 探索reward hacking防御、多奖励平衡以及在线/离线偏好数据混合策略
- 支持recaption model的强化学习，探索基于benchmark或奖励模型的prompt rewriting优化
- 与奖励模型及评测团队协作，构建可用于训练的高质量偏好数据
- 分析后训练带来的能力提升与副作用，推动模型稳定迭代
任职要求
- 熟悉DPO、GRPO、NFT等经典LLM或diffusion后训练算法
- 具有LLM或diffusion后训练、多模态强化学习经验者优先
- 对reward design、数据偏差、评测污染及reward hacking有较深理解
- 能够独立设计实验，并从复杂case中归因问题来源