腾讯
校招混元多模态-面向专业管线的3D Mesh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、3D生成算法、三维视觉基础、自回归大模型算法、图形学算法、深度学习核心算法，熟练掌握Python及PyTorch框架，有3D生成、低模mesh生成、自动UV展开算法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。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景
游戏、影视、工业设计等专业领域的3D管线高度依赖结构化3D Mesh作为核心资产，其对网格拓扑（布线规范）、几何精度（面数控制、边缘平滑）、工程兼容性（骨骼绑定、UV拆分）有严格标准。当前3D生成算法多输出点云、体素等非结构化表示，或生成的Mesh存在拓扑混乱、布线不合理等问题，需人工二次优化才能接入专业管线，导致"AI生成-专业生产"链路断裂，效率提升受限。本课题旨在研发直接生成符合专业规范的3D Mesh大模型，实现从文本/图像输入到"即插即用"Mesh资产的端到端生成，支撑游戏资产批量生产、影视角色快速迭代等场景，推动3D内容生产从"AI辅助"向"AI主导"升级。
课题挑战
- 1. 专业规范的显式建模：如何设计模型实现布线规整的3D Mesh生成，将布线规则（如四边形主导、循环边结构）、几何约束（如面数阈值、曲率连续性）等隐性知识转化为模型可学习的目标函数或约束条件；
- 2. Mesh拓扑与可编辑性优化：除Mesh生成外，兼顾UV展开、LOD、法向烘焙、动画驱动等下游任务，保证拓扑结构的合理性（如无冗余顶点、边缘流符合解剖学/力学逻辑）；
- 3. 生成效率与管线适配：如何在保证规范的同时提升生成速度。
具体工作
你将参与3D Mesh生成大模型的全流程研发：
- 1. 专业规范建模：设计与优化3D Mesh生成大模型（自回归或Diffusion架构）；
- 2. 模型训练与优化：基于AR、DiT等框架，优化Mesh生成的拓扑一致性与几何精度，解决布线混乱、细节缺失等问题。
【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、3D生成算法、三维视觉基础、自回归大模型算法、图形学算法、深度学习核心算法，熟练掌握Python及PyTorch框架，有3D生成、低模mesh生成、自动UV展开算法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。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【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。