字节跳动质量大模型算法专家-智能服务

1、负责字节跳动各业务在泛体验、泛安全、泛质量方向下的大模型工程化能力建设； 2、探索业界前沿的大模型工程研发（LLMOps）相关技术，支持LLM、MLLM、CodeLLM等落地于上述场景，打造高效工具链和应用系统，包括并限于Agent、RAG、任务调度、推理加速、评测、PE等，持续优化效果和性能，保障服务高可用性； 3、深度参与项目研发，与产品、算法、质量等同学保持密切配合，不断优化项目整体效益，提升产品体验。

1、支持火山方舟大模型的应用落地，将字节跳动的内容与大模型相结合，为用户提供更智能的信息服务； 2、带领团队探索行业前沿的NLP技术，将先进的深度学习模型创新性应用于用户Query分析、Query改写等业务方向，精准把握用户需求，持续提升用户理解的深度与广度； 3、利用NLP技术以及大模型技术，对内容进行分析、理解，完成内容打标、内容摘要等信息的生成和提取； 4、以外挂知识库模式为切入点，在内容搜索领域进行深度探索，组织团队运用NLP、多模态技术实现高质量内容的快速召回，显著提升搜索效率与质量； 5、主导大模型技术与Ranking技术的深度融合，解决内容排序的复杂问题； 6、管理和指导算法团队，制定团队技术发展路线，推动团队整体技术能力提升；合理分配工作任务，确保项目按时高质量交付。

1、负责支付宝各场域（广告、短视频、直播、游戏、搜索、公私域等）的流量/营销作弊的感知、识别与管控相关的算法建设，减少恶意/无效/作弊流量给数据真实性、社区生态、平台流量价值带来的影响，保障平台营销资金的安全使用，有效地将业务问题转化为算法模型，提供合理的风险解决方案，提升流量价值，减少资金损耗； 2、与技术、产运配合建设通用高效的人机识别算法，并利用海量的设备和用户行为数据进行建模，对用户风险、质量及转化价值进行预估及分析；持续推进基于图、异常检测、社区检测、多模态算法等相关研究和工具的建设，服务高准可持续迭代的反作弊算法体系； 3、配合业务上下游进行流量质量保障，结合营销、推荐、用增、运筹优化相关算法及大模型、智能体等技术，带来业务效果和效率提升。

团队介绍：Data-电商-智能对话团队，致力于打造业界领先的大模型对话系统。团队服务的日活用户超过数亿，应用场景覆盖抖音电商全链路，包括平台客服、平台商服、商家客服、达人客服，以及创新的智能导购等核心业务场景，通过持续的技术创新和优化，成功构建了一套完整的智能对话解决方案，为电商业务带来了显著的效率提升和用户体验改善。 课题介绍： 背景：电商智能客服正逐渐成为业务增长和用户体验优化的重要方向，基于大型语言模型（LLM）的智能客服系统解决电商场景中的核心挑战，由LLM完成一次用户进线的完整接待过程，包括诉求澄清、方案协商、方案执行等阶段，实现电商业务的智能化升级——让用户享受更智能高效的客服服务。 研究方向：本课题聚焦于LLM 后训练与智能客服。构建基于 LLM 的多智能体（Multi-Agent）框架，通过规划、回复、工具三类Agent的协作，实现从问题分析、方案执行到结果反馈的全流程智能客服。核心目标是确保客服对话的准确性、合规性与流畅度，避免模型生成幻觉或违背平台政策。同时，围绕电商客服的复杂任务，构建 Benchmark数据集，优化SOP遵循、多轮交互、用户满意度等指标。此外，研究高效数据利用方法，探索低标注数据条件下的LLM训练，并开发自动生成高质量训练数据的系统，以降低人工标注成本，提高智能客服的服务质量与效率。 1、开发AI驱动的智能客服系统：设计并实现AI对话式客服助手，能够处理电商咨询、投诉、退款、争议解决及物流相关问题，以AI替代传统人工客服； 2、大语言模型（LLM）后训练与高效学习：应用最前沿的LLM训练优化技术，如指令微调、强化学习、持续学习等，在最少标注数据的情况下优化AI客服响应质量；具备大语言模型（LLM）微调、知识蒸馏或强化学习的相关经验，应用于对话式AI场景；深入理解检索增强生成（RAG）、专家混合模型（MoE）、稀疏注意力、强化学习、推理时间优化等技术，以提升AI对话质量； 3、基准测试与训练数据构建：识别具有挑战性的客服交互场景，如政策解读、争议处理、客户投诉、导购推荐等，并构建专门的测试集和训练集； 4、多语言与跨文化客服支持：构建能够适应多语言和不同文化背景的AI模型，确保客服交互的精准翻译和针对不同用户群体的合适响应；精通多语言自然语言处理（NLP）、机器翻译及跨语言对话建模； 5、模型优化与高效部署：研究模型压缩、量化、推理优化等技术，确保AI客服助手在大规模应用场景下具备低延迟、高可靠性的表现。