游戏美术生成式AI的Infra技术-超大规模训练和推理性能优化

课题背景： 当前，游戏领域的生成式 AI 已广泛应用于 3D 模型生成、动画生成、世界模型等多个业务场景。随着相关模型规模持续扩大、业务落地需求不断增强，训练与推理环节对计算框架、算子优化、系统适配和性能调优提出了更高要求。与此同时，面对多种模型架构与多种算力卡型并存的现实情况，需要在性能、成本与适配效率之间进行系统性权衡与优化。总体来看，大模型训练与推理优化能力正逐步成为企业构建生成式 AI 基础设施的关键能力，亟需提前开展前瞻性研究与布局。 课题价值： 通过开展训练与推理优化技术研究，可有效降低模型训练和部署成本，缩短业务上线周期，逐步形成面向“游戏工作流”的通用基础设施能力，提升内容生产效率与线上生成能力。 同时，业务场景的多样性与算力硬件的多样性，使推理加速方案在实际落地中面临“灵活适配”与“统一抽象”之间的平衡问题。围绕该方向开展体系化研究，有助于提升技术复用性、工程稳定性与整体资源利用效率。 课题挑战：

1. 01

   游戏生成链路通常包含多模态、多阶段 Pipeline（文本→点云→图片→几何表示→动画→渲染/仿真），算子类型复杂，涉及大量稀疏计算、不规则访存与动态图形状，性能瓶颈难以通过通用优化方法全面覆盖；

2. 02

   训练侧更强调吞吐率与扩展性，推理侧更强调低时延与高并发，且业务对生成质量要求较高，导致训推一体化和端到端优化难度较大；

3. 03

   多模型、多硬件平台并存，使得底层框架、算子实现、并行策略和部署方案需要进行持续适配，给系统的统一性、可维护性和迭代效率带来挑战。

编程能力： 熟练掌握 Python / C++，具备良好的工程实现能力；熟悉 Triton、CUDA 等者优先。 技术要求： 满足以下任意一项或多项条件：

1. 01

   熟悉大模型训练框架DeepSpeed/Accelerate或推理框架Vllm/Sglang，有多机多卡训练或推理加速相关经验；

2. 02

   了解算子优化、显存优化、并行训练、低精度推理等常见优化方法，有实际项目经验者优先；

3. 03

   有多模态模型、生成式模型或游戏相关 AI 应用的训练与部署经验者优先。