构建图像生成背后的 ML 系统——扩散模型、服务数百万用户的推理栈，以及维持高质量产出的评估体系。这是应用层岗位：把成熟的开源模型（SDXL、Flux、Qwen-Image 及后续新模型）变成快速、可靠、评估到位的生产管线。 针对业务场景微调与适配扩散模型：LoRA / DreamBooth、ControlNet / IP-Adapter 条件控制、风格迁移，以及用于加速采样的蒸馏（LCM / DMD / turbo 类），迭代数据与训练设置直到质量与成本目标达成；own 训练背后的数据工作——采源、打标（captioning）、清洗、去重，并搭建数据管线；搭建并维护图像评估体系（美学与偏好打分、prompt 遵循度检查、人工与自动评估），以便在问题上线前量测质量并发现回退；优化推理——在服务栈上优化延迟、吞吐与成本，贴近现代 GPU 底层做优化；与 MLOps / 基础设施团队合作把模型产品化，并在生产环境持续监控与改进。 ◆ 方向深度（三者深其一即可）：① 扩散微调与训练：LoRA / DreamBooth、风格 LoRA 迁移、ControlNet / IP-Adapter、少步采样蒸馏，以及背后的数据整理与打标；② 推理优化：从扩散服务栈里挤出延迟 / 吞吐（diffusers、fp8 / nvfp4 量化、SageAttention、torch.compile、TensorRT、高效 LoRA 切换与批处理），运行在 Hopper 和 / 或 Blackwell GPU 上；③ 图像评估：设计与搭建评估管线——美学 / 偏好模型、prompt 遵循度（基于 VQA）打分、FID / CLIP 与人类偏好（ELO）方法论、统计上严谨的离线 + 在线评估。

方向深度（三者深其一即可）：① 扩散微调与训练：LoRA / DreamBooth、风格 LoRA 迁移、ControlNet / IP-Adapter、少步采样蒸馏，以及背后的数据整理与打标；② 推理优化：从扩散服务栈里挤出延迟 / 吞吐（diffusers、fp8 / nvfp4 量化、SageAttention、torch.compile、TensorRT、高效 LoRA 切换与批处理），运行在 Hopper 和 / 或 Blackwell GPU 上；③ 图像评估：设计与搭建评估管线——美学 / 偏好模型、prompt 遵循度（基于 VQA）打分、FID / CLIP 与人类偏好（ELO）方法论、统计上严谨的离线 + 在线评估。