腾讯技术研究-数据科学方向

1、基于海量数据场景，参与业务数据分析及数据模型构建，驱动业务增长； 2、负责规划和搭建业务数据指标体系和分析体系，建设智能决策方法论，寻找业务收入增长点； 3、通过实验科学、因果推断等方法验证评估策略的效果和价值； 4、建设用户画像、构建特征工程实施方案，不断优化和改进数据模型，提升线上数据服务效果； 5、跟进业界最新的广告、推荐、NLP、复杂网络等领域进展，快速实现并应用于实际任务中。

1、基于海量数据场景，参与业务数据分析及数据模型构建，驱动业务增长； 2、负责规划和搭建业务数据指标体系和分析体系，建设智能决策方法论，寻找业务收入增长点； 3、通过实验科学、因果推断等方法验证评估策略的效果和价值； 4、建设用户画像、构建特征工程实施方案，不断优化和改进数据模型，提升线上数据服务效果； 5、跟进业界最新的广告、推荐、NLP、复杂网络等领域进展，快速实现并应用于实际任务中。

1、基于海量数据场景，参与业务数据分析及数据模型构建，驱动业务增长； 2、负责规划和搭建业务数据指标体系和分析体系，建设智能决策方法论，寻找业务收入增长点； 3、通过实验科学、因果推断等方法验证评估策略的效果和价值； 4、建设用户画像、构建特征工程实施方案，不断优化和改进数据模型，提升线上数据服务效果； 5、跟进业界最新的广告、推荐、NLP、复杂网络等领域进展，快速实现并应用于实际任务中。

研究方向一：垂域LLM研究与构建​ 1.基座模型架构设计与优化：参与大语言模型基座架构的设计，研究前沿技术，如稀疏激活、混合精度训练等，同时优化模型的训练和推理流程。​ 2.技术创新与突破：参与前沿技术研究，如多任务学习、跨模态理解等，推动模型在复杂任务上的性能提升；探索Transformer替代架构，突破现有模型scaling law限制；同时挑战学术benchmark，为模型的性能树立新的行业标杆。​ 3.强化学习算法研究：参与大语言模型后训练阶段的强化学习算法研究，包括基于AI和环境反馈的强化学习（RLXF）算法。同时探索奖励模型与反馈机制，研究可泛化的细粒度过程监督和奖励建模，探索基于细粒度反馈的强化学习算法。​ 4.垂域模型定制化构建：领域认知智能突破，探索小样本场景自演进架构设计、可信推理机制构建等方向，同时建立面向AGI的模型评价体系新范式。​ 5.跨部门协作与落地：与公司数据科学家、算法工程师、产品团队紧密合作，将研究成果快速转化为实际应用，推动大语言模型在更多场景的落地。​​ 研究方向二：垂域MLLM研究与构建​ ​1.研究多模态表征与大语言模型融合的前沿技术，设计和实现创新算法，研究异质数据的统一编解码模型，适配多种模态下的特征统一，实现高效微调与优化。​ 2.探索强化学习（RL）在多模态大模型中的应用，包括强化学习增强的多模态生成、跨模态对齐、偏好建模及自适应优化，提升多模态理解与推理能力。 ​3.持续追踪多模态与强化学习结合的最新研究进展，优化现有多模态系统架构，提升性能、效率与可扩展性，推动多模态强化学习在智能体交互、决策推理等任务中的应用。 ​4.构建技术评估体系，通过多场景验证推动多模态理解、生成及强化学习优化策略的落地应用，提升多模态大模型的泛化能力和实际应用价值。​​ 研究方向三：基于角色扮演的虚拟数字助理 ​​1. 角色扮演技术（Role-Playing）：通过模型优化、Agent构建，在人设、拟人性、情感等取得显著提升。 ​2. 记忆管理与增强（Memory）：通过模型长上下文，记忆抽取与管理，提升系统的记忆能力。 ​3. 个性化技术：通过用户行为数据挖掘与建模，结合多轮对话上下文理解，分析用户情感状态，提升模型的个性化回复能力。 ​4. 基于Agent的数字助理：通过Agent构建和基于RL的优化，实现数字助理的能力复刻和增强