高精特效生成

任务目标：构建一个能根据自然语言指令自动化生成 Unreal Engine Niagara 特效资产（.uasset）的 AI 系统。重点攻克传统 Prompt 模式无法控制粒子物理场、自旋切向力与空间衰减逻辑的瓶颈。 核心难点与研究性： 代码级逻辑自洽：特效不仅是外观，其核心由复杂 GPU Custom HLSL 算法驱动（如引力场、漩涡张量与湍流噪声）。要求模型具备极强的 3D 向量物理推理能力，生成的 HLSL 必须满足无除零异常、数值收敛及实时帧率要求。 跨模态空间控制映射：解决自然语言抽象描述（如“吸附并扩散的黑洞漩涡”）到高维物理参数空间（Gravity, Vortex Strength, Drag, Attenuation）的精准定量映射问题。

1. 01

   教育背景与专业 (Education) 计算机科学、人工智能、软件工程、电子工程、自动化或图形学相关专业的在读硕士或博士研究生（具备 3D/2D AIGC 或图形学交叉研究经验者优先）。

2. 02

   编程与工程基础 (Engineering Skills) 具备扎实的代码编写与算法实现能力，熟练掌握 Python； 深入理解并熟练使用至少一种主流深度学习框架（PyTorch 优先），具备优秀的模型训练、调优与工程落地经验。

3. 03

   生成式大模型与后训练 (GenAI & Post-Training) 深入理解生成式大语言模型（LLM）与多模态模型（MLLM）的基本原理，熟练掌握 Transformer 架构及主流开源大模型（如 LLaMA、Qwen、GLM 等）的演进路线； 具备丰富的后训练（Post-Training）实战经验，熟悉 SFT（监督微调）、RLHF/DPO（强化学习与偏好对齐） 等技术，能够针对代码生成（Code Generation）或结构化 JSON/Graph 节点图生成进行定向对齐与优化。

4. 04

   2D/3D 生成模型与图形引擎认知 (2D/3D GenAI & Game Engine) 2D/3D AIGC：对 2D 扩散模型（Diffusion Models / DiT）以及主流 3D 生成/表征模型（如 HunYuan3D、CLAY 或 3D GS/Mesh 表达）有清晰的原理理解与实操经验； UE5 & 特效系统：了解 Unreal Engine 5 (UE5) 编辑器架构，对 Niagara 粒子系统、HLSL 着色器、材质节点图（Material Graph）或 UE Python API / C++ 自动化接口有基本认知与探索兴趣者优先。