快手多模态大模型实习生-【电商】
任职要求
1、计算机或者相关专业博士或硕士在读，一周至少实习4天，3个月及以上实习期； 2、熟悉常用的机器学习和深度学习算法，熟悉主流LLM/VLM结构（LLAMA/DeepSeek/Qwen/MoE系列等），熟悉常见PEFT技巧/RAG/Agent等大模型应用，熟悉常见数据清洗/CoT构建/数据蒸馏等方法，熟悉常见强化学习算法（PPO/DPO/GRPO等）。具备以…
工作职责
1、参与电商场景下文本、多模态相关模型能力建设，包括但不限于：基于开源/自研基座模型的多模态理解、品牌识别、商品类目识别、关键信息抽取、实体识别、文本分类、知识图谱构建等； 2、参与构建业内领先的内容安全、内容理解识别方法，探索前沿技术(如多模态理解、RAG、Agent、token压缩等)，并应用落地到电商业务场景中； 3、亿级数据规模下，探索内容理解信号用于改善电商用户体验，提升转化指标等。
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：抖音电商算法团队，依托抖音、今日头条、番茄小说、红果短剧等产品，帮助用户发现、讨论并获得好物，享受美好生活；帮助商家高效经营，创建良性商业生态；激励创作并分享购物经验使用心得，构建有真诚有信息的电商内容氛围。在这个团队，我们不仅要通过推荐、广告和搜索算法搭建消费者和商家之间的桥梁，也要通过风控算法和治理算法去甄别违规行为，保护用户的购物体验，保护真正诚信经营的商家；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，降低商家的经营成本；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，并进一步提升用户物流体验；另外我们还会用业界先进的数据科学技术为业务健康发展保驾护航。我们的使命：用算法的能力，让用户总能发现好东西，让美好生活触手可得。 1、深入理解抖音电商正向导购与逆向治理业务，基于大模型、多模态技术，优化商家/达人准入、发品、导购等全场景识别效果，同步探索语言、视频、推荐多模态融合方案，构建更强推荐系统； 2、迭代优化电商多模态大模型，强化其对治理规则、商品信息的理解与推理反思能力，通过业务域SFT、Cot、强化学习等技术，打造高准高召的识别能力，提升导购与治理审核智能化水平； 3、参与挖掘电商直播、短视频、图文等多类实体数据，对大规模网络及海量特征序列建模，支撑商家/商品分类、逆向标签挖掘等场景，助力精准识别潜在购物信号； 4、研究用户多模态交互（视频+直播+文字+行为）的复杂性，搭建统一框架实现内容理解与用户意图推理，高效映射内容消费到电商兴趣，提升人货匹配效率； 5、参与构建大规模图存储与图学习平台，完善商家、商品、达人、内容的关系链路，打造电商实体通用表征能力，赋能多模态业务落地； 6、协助推进电商比价、供给生态等战略支持工作，运用前沿深度学习算法，搭建商家/达人成长预测模型，支撑冷启动、潜爆、智能营销等业务需求。
1、负责CV 、NLP、多模态、大模型的相关算法研发，面向包括但不限于多模态分类、图像分类、文本分类等； 2、负责算法和系统迭代与进化，能够深入小红书业务场景，结合实际需求进行技术落地和创新； 3、面向基于内容理解技术的生态审核场景，包括单不限于笔记审核、评论审核、私信聊天审核、弹幕审核、账号审核等；
随着大语言模型（LLM）在搜推广领域的深入应用，如何高效地将海量商品/内容信息与世界知识结合，成为突破推荐算法上限的关键。 本岗位重点探索生成式推荐中的核心基础设施——语义ID（Semantic ID）的构建。致力于解决现有ID体系维度单一、表达受限的问题，探索语义ID更丰富的兴趣表达。 具体职责： 1. 前沿跟进：研究生成式推荐前沿技术，快速跟进RecSys/KDD/SIGIR/ACL等顶会最新论文，探索语义ID与LLM的更佳的应用范式，并且在实际业务数据上验证。 2. 多兴趣表征：深入研究协同&多模态语义协作机制，探索多兴趣表征构建，，解决多维兴趣样本在训练过程中的Loss拉扯问题，探索基于图或对比学习等改进方案，构建更稳健的Item-to-Token映射机制。 3. 多兴趣语义ID：突破现有层级化方案（如RQ-VAE/RQ-Kmeans）仅能进行单一维度（如类目或单兴趣）表达的局限，将多兴趣表征进行量化。 4. 生成式LLM赋能：将构建的多兴趣语义ID应用于推荐场景的生成式大模型（LLM）训练中，降低训练/推理成本，提升模型对用户复杂行为序列的理解与生成能力。 5. 技术沉淀：负责实验数据的分析与整理，撰写技术报告；若产出具有创新性的研究成果，支持以第一作者身份发表顶级会议论文或申请专利。
随着大语言模型（LLM）在搜推广领域的深入应用，如何高效地将海量商品/内容信息与世界知识结合，成为突破推荐算法上限的关键。 本岗位重点探索生成式推荐中的核心基础设施——语义ID（Semantic ID）的构建。致力于解决现有ID体系维度单一、表达受限的问题，探索语义ID更丰富的兴趣表达。 具体职责： 1. 前沿跟进：研究生成式推荐前沿技术，快速跟进RecSys/KDD/SIGIR/ACL等顶会最新论文，探索语义ID与LLM的更佳的应用范式，并且在实际业务数据上验证。 2. 多兴趣表征：深入研究协同&多模态语义协作机制，探索多兴趣表征构建，，解决多维兴趣样本在训练过程中的Loss拉扯问题，探索基于图或对比学习等改进方案，构建更稳健的Item-to-Token映射机制。 3. 多兴趣语义ID：突破现有层级化方案（如RQ-VAE/RQ-Kmeans）仅能进行单一维度（如类目或单兴趣）表达的局限，将多兴趣表征进行量化。 4. 生成式LLM赋能：将构建的多兴趣语义ID应用于推荐场景的生成式大模型（LLM）训练中，降低训练/推理成本，提升模型对用户复杂行为序列的理解与生成能力。 5. 技术沉淀：负责实验数据的分析与整理，撰写技术报告；若产出具有创新性的研究成果，支持以第一作者身份发表顶级会议论文或申请专利。