开源H3生态里，工程化工作大致分几类？

消息提到，MiniMax H3 是用于视频生成、带原生立体声音频和多模态参考控制的模型，并开放了权重。围绕它，社区已经出现几条不同的工程路线：FastH3 由 FastVideo、Nuva Lab 和 NVIDIA 参与，采用 4 步蒸馏，已能在 DGX Spark 和 Apple Silicon 上运行；VDN 由 Haocheng Xi 和 OpenVDN 团队推进，重新思考注意力机制以加速 H3 推理，并发布了权重、训练和推理代码；PDD 是 NVIDIA 的蒸馏方法，由阿里云 PAI 引入 H3 形成 8 步 Acc-LoRAs，目前已在 ComfyUI 中支持。

从这些公开信息看，工程化工作至少可以分成四类：训练与蒸馏、注意力与推理优化、量化与部署、工作流与节点开发。它们对技能的要求并不相同。蒸馏方向更看重对训练流程和损失设计的理解；推理优化方向需要熟悉注意力机制和算子层面的性能分析；量化与部署方向关注不同硬件上的数值精度和内存占用；工作流与节点开发则更接近产品化，需要理解用户怎么调用模型、怎么把多个步骤串起来。

求职者可以先问自己：过去做过的项目里，哪一类动作占比最高？是调训练脚本、改推理代码、做量化实验，还是搭工作流？这个判断比追热点更实际。

想进入这类方向，简历上该突出什么可迁移能力？

素材里有一句话值得注意：每个发布背后都有人在训练、优化、量化、测试和分享。这句话本身不是招聘要求，但提示了一个简历写法：与其堆砌模型名称，不如把具体动作对应到自己做过的项目上。

比如，如果你做过推理加速，可以写清楚你优化的是哪个环节、用了什么方法、[实际记录]的延迟或吞吐变化。如果你做过量化，可以说明你处理过哪些精度问题、在什么硬件上验证过。如果你做过工作流开发，可以写你如何把多个模型或节点组合起来解决一个具体任务。 延伸阅读：AI音视频算法工程师简历模板

AI音视频算法工程师简历模板

这里要避免一个常见误区：把“了解某模型”当成核心卖点。从求职准备的常识看，能复现、能定位问题、能把改动落到可运行代码上的经历，在简历和面试中更容易讲清楚，也更容易被追问细节。假设一个模拟场景：两个人都在简历上写“熟悉视频生成模型”，一个人写的是“跑通过官方推理脚本”，另一个人写的是“在[实际记录]的硬件上把某段推理流程的显存占用降下来，并记录了不同参数下的输出差异”。后者的信息量明显更大。

没有直接做过视频生成，怎么判断自己能不能转？

如果你之前做的是推荐系统、CV 或 NLP 的工程工作，不必从零开始。VDN 发布了权重、训练和推理代码，PDD 已在 ComfyUI 中支持，这些公开材料本身就是学习路径。你可以先跑通一条推理链路，再尝试改一个参数、换一种量化方式，观察输出和性能的变化。

具体判断方法可以分三步。第一，读岗位描述时，确认对方要的是训练侧、推理侧还是工作流侧的能力，不要只看“视频生成”四个字。第二，对照社区项目使用的技术路径，看自己已有的经验能迁移多少。按经验判断，做过 TensorRT 或 ONNX 部署的人，在量化与部署方向上迁移成本相对低一些；做过 PyTorch 训练调优的人，在蒸馏方向上更容易上手。第三，把不确定的地方列出来，比如目标岗位是否要求多模态理解、是否涉及音频同步、是否需要自己搭训练管线，这些都要在投递前查清楚。

一个实际可做的小建议：选一个开源视频模型，在本地或租用环境里跑通一次推理，记录你遇到的第一个报错和解决过程。这段经历本身就能帮你在面试里讲清楚自己做过什么，而不是只停留在“关注过”。