百度云及大模型业务经营分析实习生（J85598）

团队介绍：生活服务业务依托于抖音、抖音极速版等平台，致力于促进用户与本地服务的连接。过去一年，生活服务业务开创了全新的视频种草和交易体验，让更多用户通过抖音发现线下好去处，也帮助众多本地商家拓展了新的经营阵地。我们期待你的加入，一同为亿万用户创造更美好的生活。 课题介绍：生活服务行业在数字化转型中面临效率提升和成本优化的迫切需求，传统商家依赖销售老师处理商品管理、订单咨询、营销推广等环节，存在响应速度慢、标准化程度低、人力成本高等痛点。基于大语言模型（LLM）的对话系统具备自然语言理解、多任务处理、知识推理等能力，可以为商家提供智能客服、流程自动化、数据分析等场景的解决方案。然而，现有通用模型在垂直领域应用中仍存在领域知识匮乏、复杂任务执行能力不足、多模态交互受限等问题，需结合RAG、Function Calling、多模态等技术进行针对性优化。 课题挑战/必要性： 生活服务行业规则多变（如季节性促销、政策调整），需设计低延迟的领域知识库动态更新机制。另外，商家需求多样，对Agent工具调用、动态规划与异常处理能力提出了很高的要求。同时，在交互中期望能够实现语音、图像、文本等多模态信息的内容理解能力与自然交互，解决语义一致性的难题。 课题内容： 1、RAG在垂直领域的优化：构建生活服务行业知识图谱与动态检索库，研究检索增强生成中的上下文压缩技术与深度思考技术，提升答案准确性； 2、Function Calling与业务流程自动化：设计面向商家的工具库，支持自然语言指令到工具调用的精准映射，研究强化学习（RL）在工具调用领域的应用提升模型对领域外工具的识别泛化能力； 3、对话Agent的决策与协作能力：研究基于强化学习（RL）优化Agent的任务规划能力，研究多Agent协作机制； 4、多模态交互与生成：深入研究图像内容理解，开发能够与商家自然沟通的多模态交互与生成系统。

团队介绍：生活服务业务依托于抖音、抖音极速版等平台，致力于促进用户与本地服务的连接。过去一年，生活服务业务开创了全新的视频种草和交易体验，让更多用户通过抖音发现线下好去处，也帮助众多本地商家拓展了新的经营阵地。我们期待你的加入，一同为亿万用户创造更美好的生活。 课题介绍：推荐算法是生活服务场景交易增长的核心驱动力，我们希望借鉴LLM的成功思路，结合生活服务场景的时空特点，探索在生活服务场景推荐算法和架构的颠覆性创新，解锁更大的算法效果提升空间。 重点探索以下方向： 1、基于类Transformer结构的生成式推荐大模型技术，验证生活服务推荐场景的Scaling Law，探索面向大模型的推荐算法建模范式； 2、算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理的效率； 3、多体裁多模态表征学习和推荐模型结合； 4、结合生活服务场景特有的时空属性，进行时间和空间感知的算法建模。 1、负责生活服务场景推荐大模型的算法优化，引入生成式AI技术，优化建模方案、模型结构、特征和样本等，提升场景交易效率； 2、验证生活服务场景的推荐大模型Scaling Law，应对大模型训练中的新挑战； 3、算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4、多体裁多模态表征学习和推荐大模型结合； 5、结合生活服务场景特有的时空属性，进行时间和空间感知的算法建模。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升电商分发效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升电商分发效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。