小红书LLM算法实习生（创意生成）
任职要求
1. 计算机、数学、物理、统计学等相关专业硕士研究生及以上学历。 2. 熟悉自然语言处理（NLP）或者图像处理（CV）的理论和实践，在广告创意生成、AIGC等领域有经验者优先。 3. 拥有扎实的编程能力，熟练使用Python、C++等编程语言，熟悉常见的数据结构和算法。 4. 专业领域有以下任意即可： a.图像生成：掌握StableDiffusion、Stable Video Diffusion、Lora、GAN、3D视觉等技术，能够综合运用实现特定功能。 b.多模态内容理解：了解文本、图像、视频的多模态表征，有模态对齐、融合、预训练经验，熟悉VQA、视频搜索、video caption等应用。 c.大语言模型：熟悉大模型预训练和NLP生成任务，有LLM的SFT、RLHF实践经验，应用于广告文案生成和改写。
工作职责
1. 负责小红书站内搜索广告智能创意，在搜索场景下对小红书站内广告文案、视频、图片等素材进行内容理解，并生成投放高竞争力素材，提高转换效率。 2. 负责广告创作平台的算法能力优化，利用算法能力为广告主提供投前、投中、投后各类洞察或者提效功能。 3. 追踪业界创意、多模态及Generative AI方向最新技术，落地应用并提升广告创意理解、自动生成和优化等场景的效果。
1. 探索LLM前沿领域研究，包括但不限于数据集建设、模型预训练、模型蒸馏、迁移学习、逻辑推理、智能体、MoE、Scaling law和模型评估等工作。 2. 负责优化和提升LLM对齐效果，包括数据质量优化、指令微调、奖励模型优化、强化对齐、策略迭代等，提高算法的效率和性能。 3. 参与LLM在AI虚拟人、AI评论生成、AI广告创意生成、LLM4Rec等业务场景的应用工作。
1、负责通过基于大语言模型及多模态大模型的微调、prompts调优、指令构建及演化技术，将大模型的生成、理解、交互能力在公司核心业务场景应用落地，包括但不限于AIGC创意生成、视频处理、智能化特效、智能对话、代码生成、音视频传输、电商场景内容理解等； 2、负责LLM及多模态大模型的应用中台及相关技术模块搭建，包括但不限于Agents 、RAG、 function call、system prompts等，探索大模型应用前沿及新兴应用场景； 3、跟踪行业及大模型技术发展，结合业界前沿技术和业务需求，打造大模型应用的最佳实践； 4、了解业务，与公司各技术团队密切配合，能与产品、运营等角色高效沟通需求和目标，发挥自己的主观能动性，设计技术解决方案，培养自己的良好的业务sense和综合素质。
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。
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。