课题详情： 本课题面向下一代实时 Omni 生成基础模型，研究文本、图像、视频、语音、音效及交互控制信号的统一理解与生成。重点探索高效多模态表征、长时序建模、跨模态语义对齐、音画同步、大规模预训练及 Scaling Law，突破长视频生成中的内容一致性、状态记忆和连续演化等关键问题；同时研究流式生成、并行解码、KV Cache 优化和轻量化推理等技术，降低首帧延迟与持续生成时延，实现对轨迹、相机、姿态、语音等控制信号的实时响应，并保证交互过程中音画同步、帧间连贯与状态一致，为游戏、数字人、智能内容创作等实时交互场景提供技术基础。 课题要求： 1. 人工智能、计算机视觉或多模态相关方向博士，有顶会一作论文； 2. 精通扩散模型、自回归模型及多模态生成模型的原理与工程实现； 3. 有图像、视频或音频生成模型从零训练经验，精通 PyTorch 及大规模分布式训练； 4. 深度理解 Video VAE、视觉 Tokenizer、Audio Codec、跨模态对齐与音画同步技术； 5. 熟悉流式推理、KV Cache、模型压缩、并行解码或推理加速中的一项或多项技术； 6. 有可控视频生成、实时交互生成、3D注入或Omni 模型或多模态预训练项目经验者优先； 7. 主导过端到端生成基础模型，或具备训练、推理、系统联合优化经验者优先。