腾讯
校招混元多模态-高精3D几何生成大模型研究
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1. 包含但不限于计算机、模式识别、人工智能、计算机视觉、图形学、自动化、信息工程、应用数学等专业的博士和优秀硕士；
- 2. 熟悉3D数据表征（SDF/UDF/点云/隐式场等）、3D几何重建与生成算法、三维视觉基础、Diffusion大模型算法、几何处理与图形学算法、深度学习核心算法，熟练掌握Python及PyTorch框架，有高精度3D重建、几何生成、隐式表面重建等相关项目经验者优先；
- 3. 具备良好的沟通协作能力、较强的问题分析与解决能力，自驱力强，能独立设计实验并推动研究落地，对前沿技术有持续学习热情。
岗位描述
【岗位职责】
课题背景
当前主流3D生成方案在整体形态上已能给出可信结果，但仍难以满足工业设计、精密制造、文物数字化、AR/VR等对几何保真度要求极高的专业场景。本课题旨在研发高精度3D几何生成大模型，突破从粗糙形状到高保真几何的表征与生成瓶颈，实现细节丰富、结构完整、尺度准确的三维几何端到端生成，为混元3D的"专业级几何底座"提供核心算法支撑。本课题旨在实现高效率、强可扩展性（Scalable）的3D物体表征方法，并开展相关的数据收集与预处理工作。在此基础上，深入研究生成模型的网络架构、注意力（Attention）机制及训练策略（Training Recipes），以实现更为高效的3D模型训练。
课题挑战
- 1. 高频几何细节的表征与重建：如何设计高分辨率、强可扩展性（scalable）的几何表示，在有限算力下同时刻画整体结构与局部高频细节；
- 2. 锐利特征与复杂结构的保真生成：如何在生成过程中显式保留尖锐边缘、薄壁、镂空、自遮挡等难例结构，抑制破面、非流形、自相交等几何缺陷，保证水密性与几何合法性；
- 3. 几何可编辑性与结构化生成：如何让生成的几何不仅"好看"更"好用"，支持部件级/组件级的结构化组织与语义解耦，实现对局部结构的独立编辑（增删、替换、变形、参数化调整）而不破坏整体合法性，突破当前生成结果"整体不可拆、局部不可改"的黑盒瓶颈，满足专业管线中反复迭代、按需修改的编辑需求；
- 4. 几何精度与尺度一致性：如何将真实物理尺度、比例约束、对称性等先验引入生成过程，实现可度量、可复用的高精度几何输出，并在保证精度的同时兼顾生成效率。
具体工作
你将参与高精度3D几何生成大模型的全流程研发：
- 1. 几何表征设计：探索并优化高分辨率几何表示与生成架构（Diffusion / 自回归 / 隐式场等），突破细节-算力的平衡瓶颈；
- 2. 模型训练与优化：基于大规模3D数据研发几何生成大模型预训练/后训练算法架构，优化高频细节还原、锐利特征保持与几何合法性，解决过平滑、破面、尺度失配等问题；
- 3. 组件化几何生成：研究部件感知/组件级的结构化几何生成，实现对象的语义部件分解、组件独立生成与可控组装，支撑几何的可编辑性与复用性。
【任职要求】
- 1. 包含但不限于计算机、模式识别、人工智能、计算机视觉、图形学、自动化、信息工程、应用数学等专业的博士和优秀硕士；
- 2. 熟悉3D数据表征（SDF/UDF/点云/隐式场等）、3D几何重建与生成算法、三维视觉基础、Diffusion大模型算法、几何处理与图形学算法、深度学习核心算法，熟练掌握Python及PyTorch框架，有高精度3D重建、几何生成、隐式表面重建等相关项目经验者优先；
- 3. 具备良好的沟通协作能力、较强的问题分析与解决能力，自驱力强，能独立设计实验并推动研究落地，对前沿技术有持续学习热情。
【技术方向】
多模态、视觉、语音
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。