快手大模型算法实习生（效果广告）-【商业化】
任职要求
1、本科及以上学历，优秀的代码能力，掌握常用编程语言和算法，熟悉PyTorch或TF等开源深度学习框架，对深度学习训练、模型调优和推理加速等有实操经验； 2、有机器学习应用经验，扎实的NLP算法基础，有LLM大模型、知识图谱、RAG、问答系统、语义理解、文本分类、相似匹配等领域丰富的实战经验； 3、熟练掌握机器学习算法原理，能熟练运用机器学习、自然语言处理、运筹优化、强化学习、智能生成等技术解决有挑战性的问题，有业界项目经验或顶会论文发表者优先； 4、对数据敏感度极高，有良好的逻辑思维和定义以及解决问题的能力； 5、优秀的产品和业务感知能力，责任心强，积极主动，有良好的沟通能力和团队合作能力，能够完成有挑战的目标。
工作职责
1、负责广告业务中大模型能力的研发与落地，包括广告商品识别、广告素材生成、智能创编、智能助手等核心场景； 2、提升自然语言理解的能力，比如意图识别，NL2SQL，向量召回，结构化/非结构化，短文本/长文本的表征学习等； 3、负责优化LLM生成式大模型的在场景下的微调，使其以更自然、精准、友好、可控的方式与用户沟通； 4、建设基于RAG框架的智能问答系统，优化文本、召回、相关性、问答生成、构建知识图谱、实体抽取等算法； 5、负责快手广告素材、广告商品等投放业务场景下的内容理解与内容优选算法工作，建设多模态大模型、生成式模型等前沿模型技术能力； 6、跟进业界前沿算法，探索NLP/LLM大模型等技术，并结合业务场景取得应用落地。
拥抱LLM技术，深度改进多模态内容理解技术，应用到小红书商业化广告审核场景中来解决实际业务问题； 1.负责NLP、CV、多模态相关算法研发与落地，包括但不限于笔记图文内容结构化、文本&多模态内容理解、主题发现、信息抽取、命名实体识别、智能摘要、意图理解等； 2.进行大模型前沿技术探索和研发，包含但不限于In-context learning、SFT、RLHF、DPO等，用大模型解决实际的业务场景问题； 3.负责对各业务场景下相关技术问题进行分析、算法设计、研发以及推动上线，提升业务效果；
-基础算法方向 1. 围绕商业化广告，应用NLP/CV/多模态算法能力进行内容理解，完成相关技术问题解决； 2. 负责NLP/CV/多模态相关算法研发，面向但不限于：query理解、类目体系、属性体系、多模态检索、图像标签、大模型等等（以上方向擅长一个即可），时刻follow与探索前沿技术； -创意生成方向 1. 结合业界先进的 AIGC生成式技术，对广告素材和创意进行生产和优化，熟悉文本基础大模型、GPT/T5等常见用于生成的模型框架，在生成算法上结合业务场景不断进行技术创新，提高广告素材（标题、图片等）的多样性及质量； 2. 结合线上广告素材的业务指标对算法模型进行定向的模型迭代，线上链路完善，实现面向广告投放效果及收入增长目标的闭环优化；
团队介绍：负责影像业务剪映、醒图等创作工具的增长、内容分发和商业化的算法，以及数据科学相关工作，致力于激发用户创作灵感、优化创作效率和提高所创作内容的价值，并完成增长与商业化变现。 课题介绍：本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 1、研究推荐大模型高效的Scale Up方案与优雅的工程实现； 2、研究用户侧创作素材的多模态理解并应用于创作元素的推荐；研究用户侧序列的大规模建模，探索大规模用户序列建模代替召回与粗排等分裂环节； 3、研究创作元素的内容理解，探索稠密多模态与稀疏协同过滤模型的融合方案。
团队介绍：国际商业化产品与技术团队支持字节跳动国际产品的广告产品与变现技术。我们负责end2end的大型广告系统建设，为客户提供商业推广方式与方案。我们的团队遍布北京、上海、美国、新加坡等地，在这里你将有机会开阔自己的国际化视野，接触到全球领先的商业产品架构、模型和算法，并有机会参与并推动互联网广告行业的创新和变革。 课题背景： 随着全球化业务的快速增长，广告场景面临千亿级数据训练、毫秒级实时响应、多模态内容理解与生成的综合挑战。传统广告模型（如CTR/CVR预估）在分布式训练效率、长序列用户行为建模、长尾泛化能力等方面逐渐面临瓶颈。与此同时，LLM技术为广告系统带来了革新机遇——从基于AIGC的广告素材生成、大规模超长序列建模、多模态视频内容理解，到隐私安全增强的联邦学习框架，以及通过大语言模型重构用户意图挖掘与定向策略等，均成为行业前沿探索方向。 课题挑战： 在广告业务场景中，探索LLM技术突破传统模型能力边界：一方面需重构广告召回与排序机制，通过长周期用户兴趣建模解决短行为序列的局限性，同时满足广告系统高实时响应要求，实现LLM增强的全域流量效率提升；另一方面需实现AIGC广告素材的规模化生产与精准控制，平衡品牌规范约束与创意多样性，适配全球化场景下的多语言与文化合规需求。此外，如何从非结构化行为数据中挖掘用户隐式意图，突破冷启动、泛化性等业务瓶颈，成为提升广告效果的关键技术创新方向。 另外广告生态特有的复杂约束对LLM技术提出更高要求：在海量站内站外信号的背景下，解决超大规模稀疏数据下的模型迭代效率问题；同时需构建隐私安全的LLM协同计算框架，在保障数据合规的前提下实现广告主专属数据与平台模型的深度协同。这些挑战要求技术方案兼具算法创新与系统工程能力，以应对广告场景中特有的实时性、规模化和合规性等多重挑战。