找到与你的行业和工作年限匹配的简历写法

任职信息： 下属 26人

方向算法负责： 负责集团文生图和文生视频这条线的全部算法（文生图、可控生成、图像编辑、文生视频），带 26 人团队（扩散底座、可控、视频、加速、数据评测）

对生成质量、可控性和上线成本负责，任期内驱动创作工具、营销素材、视频生产多个场景的生成能力升级

架构与体系： 主导生成算法从"单点模型"到"扩散/DiT 底座 + 可控层 + 加速层"的架构升级，让文生图、文生视频复用同一套底座和加速方案

牵头把主力生成模型做到支撑亿级图文/视频对训练、支撑线上高并发的出图与出视频请求

平台化与加速： 主导建设公司的生成训练与推理平台（数据流水线、扩散训练框架、采样加速、质量评测平台），把从数据到模型上线的迭代周期从周级缩短到天级

牵头采样加速与蒸馏的体系化落地，把出图/出视频的推理成本降到原来的几分之一，让 AIGC 生成能力大规模上线

质量、安全与前沿： 建了图像/视频生成的多维评测与安全体系（FID/美学/人工评测、涉黄涉暴与版权过滤），并牵头前沿方向（DiT、长视频生成、实时生成）的探索和落地试点

推动生成侧和多模态理解侧团队协同，让理解能力反哺生成的可控与评测

团队与人才： 搭建了生成团队的方向划分、培养体系和技术评审机制，培养出多名能独立负责子方向的算法专家和小组长

图像生成： 从图像超分和风格迁移起步，主导了 GAN 生成模型的 4 次核心迭代（VAE → GAN → StyleGAN → 条件生成），带 5 人小组，服务图像处理和内容创作两条产品线

将风格迁移产品的生成质量人工好评率从约 60% 提升到 82%，日均生成量达 百万级

平台与数据： 搭建了团队的图像生成训练框架和评测体系（FID/IS/人工评测），统一了 6 个生成方向的实验流程，实验效率提升约 3 倍

牵头构建了 亿级 图文对的数据清洗与管理流水线，奠定了团队后续扩散模型训练的数据基础

任职信息： 下属 28人

感知栈负责： 负责量产智驾（高速 NOA、城市 NOA、行泊一体）的全部感知，带 28 人团队（BEV 检测、Occupancy、车道线拓扑、多传感器融合、感知工程与部署）

对感知的安全和场景覆盖负责，任期内感知原因导致的接管里程占比从基线显著下降，多个车型的感知方案顺利量产交付

感知架构统一： 主导感知从"多个独立模型拼接"到"统一 BEV + Occupancy 端到端感知架构"的升级，多相机、激光雷达、毫米波在 BEV 空间做时序融合，多任务共享一套 backbone

牵头把 Occupancy 占用网络作为通用障碍物表达落地量产，从根上解决了异形/非标障碍物的检测覆盖问题

车端与量产： 主导感知在车端芯片上的部署体系（量化、剪枝、算子优化、多任务调度），在有限算力下把整套感知做到 实时、算力进预算，支撑多平台量产

建立感知的安全评估和上车准入规范（场景化指标、回归门禁），让每次迭代都可度量、可回滚

数据闭环平台： 主导建设感知的数据闭环平台（自动化 corner case 挖掘、自动标注/预标注、大规模回归评测、影子模式），把长尾场景从发现到修复的周期从月级缩短到天级，团队迭代效率提升数倍

团队与人才： 搭建了感知团队的方向划分、培养体系和技术评审机制，培养出多名能独立负责子方向（BEV、OCC、融合、部署）的专家和小组长

感知算法： 从传统视觉检测和图像分割起步，带 8 人感知小组，主导了前视检测模型从手工特征（HOG/DPM）到深度学习（Faster R-CNN → CenterNet → 3D 检测）的 4 代核心迭代

车辆检测 mAP 累计从约 60% 提升到 88%+，模型落地到 3 款量产车型，覆盖高速和城区场景

工程与平台： 搭建了感知模型的训练框架和评测平台（自动化训练 + 场景化评测指标 + 模型版本管理），支撑团队规模从 3 人扩展到 15 人

主导了感知模型的嵌入式部署方案（TensorRT + 模型蒸馏），在车端芯片上将多任务感知的延迟控制在 实时，算力利用率提升约 50%