岗位职责
- diffusion步数压缩：探索diffusion模型的one-step / few-steps的无损蒸馏算法，跟进学术界最前沿的few-steps diffusion算法，包括但不限于consistency modeling、shortcut、score distillation等方案，打造实时化的极致高效可灵/可图大模型；
- 高效attention设计：探索新一代注意力实现机制，包括但不限于sparse/quant-attention、linear-attention、mamba等，打破attention计算平方复杂度限制，解决长序列视频/图像引起的推理挑战，推进可灵/可图大模型的长序列场景下的推理极限；
- 强化反馈优化：应用DPO/GRPO/PPO等强化学习的手段调优模型效果，在模型压缩的前置条件下探索强化学习与压缩算法的化学反应，推动可灵/可图大模型的效果-效率帕雷托前沿新SOTA。
职位要求
- 硕士及以上学历，数学、计算机、自动化、电子等专业优先；
- 熟练掌握diffusion原理，具备公式推理和证明的能力，有过相关的研究经历和实践经验者优化；
- 熟悉transformer结构及其变种，熟悉attention的设计和多种变种实现，掌握triton；
- 熟练掌握线性线数、概率论、信息论、凸优化等基础知识；了解矩阵论、随机过程等；
- 有较强的自驱力和学习力，对生成式模型有强烈的兴趣。 加分项：
- 有NIPS/ICLR/ICML/CVPR等顶会发表经历者优先；
- 有强化学习的实践经历优化。
