岗位描述
参与视频世界模型（Video World Model）与交互式视觉生成的前沿研究，与资深研究员、工程师协作，探索时序因果建模、可控视频生成、音视频联合生成、视觉-语言-动作对齐在大模型与世界模型训练、评测和落地中的核心作用。 研究内容 1. 研究并实践面向世界模型创新的视频/音视频合成数据策略（含仿真回放、自博弈、VLM 自动标注、human-in-the-loop 偏好采集），构建高时序一致性、高物理合理性的训练集； 2. 迭代 Causal Video Model / Causal Forcing 训练范式，探索自回归与 Diffusion（DiT / AR-Diffusion / Self-forcing）混合架构在长时序、可交互世界模型中的稳定性与一致性优化； 3. 基于 Wan、Wan-Streamer、Cosmos、CogVideoX、Open-Sora 等基座，做可控生成（action-/trajectory-/depth-conditioned）、实时流式解码、蒸馏加速（DMD / consistency / step-distillation）； 4. 搭建音视频联合生成与评测流水线：唇形同步、声画事件对齐、时序一致性、物理合理性、VLM-as-judge 自动打分； 5. 研发面向视频生成的 Critic / Reward Model（规则+学习式），支撑 RLHF / DPO / RLVR 后训练，监控世界模型的价值对齐、风格漂移与关键指标； 6. 维护贯穿预训练→SFT→RL→部署全链路的持续评估系统，输出 benchmark、dashboard 与失败案例分析。