地平线世界模型算法实习生（实时交互方向）

聚焦探索实时可交互视频生成方向，产出高水平学术成果与影响力技术落地。 专项课题： 研究方向一：实时视频生成范式探索 1. 实时视频生成范式的探索，系统性验证AR或AR+Diffusion视频生成方案； 2. 尝试垂直领域AR生成范式和AR生成范式在数据上的scaling law和智能涌现能力； 3. DiT视频生成效率提升，包括但不限高效率、低精度损失、高压缩比的视频VAE和tokenizer、包括稀疏架构、MoE等DiT结构探索。 研究方向二：长视频生成的一致性保持 1.DIT范式，AR范式 和 AR + DiT范式下的视频生成记忆框架实现与调研，包括但不限于3D 世界模型表征记忆，预测帧缓存与重用机制 和 用户状态与意图记忆等； 2.基于隐式视觉记忆机制（跨时间追踪关键环境状态），探索无需显式3D建模的动态场景表征，支持对场景物体、光照、环境的长期记忆存储与检索。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行“激发生意新可能”理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景 在广告营销领域，智能客服系统正成为优化售前用户沟通的关键工具，商家亟需高效工具来减少人工依赖、提升转化效率。背景核心在于：广告营销的售前场景涉及复杂用户交互（如产品咨询、促销引导和留资获取），当前基于 LLM 的智能客服 Agent 系统采用 “规划 + 生成” 的架构，需完成从用户进线、诉求澄清到方案执行的全流程服务。然而，随着广告市场的动态变化和个性化需求增长，传统方法面临响应相关性不足、转化率瓶颈等问题。团队正聚焦于利用 LLM 后训练技术（如微调和强化学习），结合 RAG、CoT 蒸馏等手段，构建一套高适配性的 Agent 系统，以实现智能化用户沟通 —— 帮助商家自动促成订单或获取高质量线索，最终提升广告营销的 ROI 和用户体验。这一方向不仅是业务增长的核心驱动力，也是推动大模型在广告领域落地的关键创新。 课题挑战 本课题面临多重技术与业务挑战，需要人才在 LLM-Agent 架构下突破瓶颈，确保智能客服在广告营销场景中的高可靠性、高效性和合规性。具体挑战包括： 1）对话流程控制：售前咨询需通过多轮交互引导用户留资或促成订单，亟需优化 Agent 的决策能力。这要求强化planning的识别能力和action选择的准确性，需要引入 SOP 构建、CoT蒸馏、react与反思机制等，实现上下文一致性与业务目标达成。另外也需要构建合理的reward指标，应用DPO/RL等手段进一步提升模型决策能力； 2）回复质量与幻觉：售前咨询的回复模型需要在少量标注数据下产出高质量的训练数据，应用大模型微调SFT、CoT蒸馏提升在各个行业上的话术质量和回复满意度。应用RAG、知识图谱等能力构建高质量知识库，在线时通过精确知识点匹配解决冷启动与幻觉问题，提升用户体验； 3）个性化问题：目前传统智能客服对于不同用户的接待基本都是相同的，售前客服需要考虑不同用户的兴趣点，通过引入用户特征、构建长期memory等手段，为用户构建定制化的接待方案，提高用户满意度并促成留资或者订单等业务指标提升； 4）实时性能瓶颈：系统需处理高并发请求，但大模型的推理延迟和资源消耗可能影响用户体验。这要求研究模型压缩、量化技术、推理模型的cot加速等方向以优化部署效率。 研究方向：大语言模型。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行“激发生意新可能”理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景 在广告营销领域，智能客服系统正成为优化售前用户沟通的关键工具，商家亟需高效工具来减少人工依赖、提升转化效率。背景核心在于：广告营销的售前场景涉及复杂用户交互（如产品咨询、促销引导和留资获取），当前基于 LLM 的智能客服 Agent 系统采用 “规划 + 生成” 的架构，需完成从用户进线、诉求澄清到方案执行的全流程服务。然而，随着广告市场的动态变化和个性化需求增长，传统方法面临响应相关性不足、转化率瓶颈等问题。团队正聚焦于利用 LLM 后训练技术（如微调和强化学习），结合 RAG、CoT 蒸馏等手段，构建一套高适配性的 Agent 系统，以实现智能化用户沟通 —— 帮助商家自动促成订单或获取高质量线索，最终提升广告营销的 ROI 和用户体验。这一方向不仅是业务增长的核心驱动力，也是推动大模型在广告领域落地的关键创新。 课题挑战 本课题面临多重技术与业务挑战，需要人才在 LLM-Agent 架构下突破瓶颈，确保智能客服在广告营销场景中的高可靠性、高效性和合规性。具体挑战包括： 1）对话流程控制：售前咨询需通过多轮交互引导用户留资或促成订单，亟需优化 Agent 的决策能力。这要求强化planning的识别能力和action选择的准确性，需要引入 SOP 构建、CoT蒸馏、react与反思机制等，实现上下文一致性与业务目标达成。另外也需要构建合理的reward指标，应用DPO/RL等手段进一步提升模型决策能力； 2）回复质量与幻觉：售前咨询的回复模型需要在少量标注数据下产出高质量的训练数据，应用大模型微调SFT、CoT蒸馏提升在各个行业上的话术质量和回复满意度。应用RAG、知识图谱等能力构建高质量知识库，在线时通过精确知识点匹配解决冷启动与幻觉问题，提升用户体验； 3）个性化问题：目前传统智能客服对于不同用户的接待基本都是相同的，售前客服需要考虑不同用户的兴趣点，通过引入用户特征、构建长期memory等手段，为用户构建定制化的接待方案，提高用户满意度并促成留资或者订单等业务指标提升； 4）实时性能瓶颈：系统需处理高并发请求，但大模型的推理延迟和资源消耗可能影响用户体验。这要求研究模型压缩、量化技术、推理模型的cot加速等方向以优化部署效率。 研究方向：大语言模型。

你将深度参与以下模块的设计、验证和优化： [1] 感知：让 Agent 理解复杂多变的用户界面，将海量的、异构的、实时的场景信息高效可靠地转化为结构化的 item。 [2] 记忆：让 Agent 拥有仿生的长短期记忆，通过多路召回等策略，组合聊天历史、用户画像和召回结果，为Agent 的每一次决策提供最关键的上下文。 [3] 决策： 构建自主的 Agentic Workflows，让 Agent 学会在恰当的时机，以恰当的方式与用户交互。 此外，你还需要参与建立一套自动化的、数据驱动的评测框架，用于客观、全面地衡量Agent在真实世界任务中的表现，驱动工程策略的快速迭代。