字节跳动资深算法工程师（大模型方向）-算法策略
任职要求
1、计算机科学与技术、数学、统计学、人工智能等相关专业，硕士及以上学位，博士学位或有相关领域突出成果者优先；在ACL、ICLR、NeurIPS、CVPR等顶级学术会议发表过高影响力研究者优先； 2、精通SFT、DPO、RL等大模型后训练算法原理，具备扎实的机器学习、深度学习理论基础，熟悉主流深度学习框架（如TensorFlow、PyTorch等），有丰富的模型训练与调优经验； 3、对Coding、翻译、多模态等垂直领域大模型有深入理解，了解该领域的技术发展趋势和应用场景，有相关项目经验者优先； 4、熟练掌握Python编程，具备良好的代码编写规范和工程实践能力，能够独立完成复杂算法的代码实现，熟悉Linux操作系统，具备一定的系统运维能力； 5、具有优秀的逻辑思维能力、问题解决能力和创新意识，能够快速学习和掌握新技术；具备良好的团队协作精神和沟通能力，能在跨部门协作中高效推进项目，主导或参与过具有广泛影响力的AI开源或闭源项目者优先。
工作职责
1、主导SFT（监督微调）、DPO（直接偏好优化）、RL（强化学习）等大模型后训练算法的研究与开发，优化模型训练流程，提升模型在各类任务中的性能与表现，增强模型的泛化能力和适应性； 2、负责Coding、翻译、多模态等垂直领域大模型的全流程研发工作，包括需求分析、模型架构设计、数据处理、模型训练与评估，打造贴合行业场景需求的专属大模型解决方案； 3、持续跟踪行业最新技术动态，结合公司业务需求，对现有大模型算法和垂直领域模型进行优化与迭代，解决模型训练和应用过程中的技术难题，提升模型的效率和质量； 4、与数据、产品、工程等团队紧密配合，参与从数据准备、算法选型到模型部署的全链路工作，确保大模型技术在实际业务场景中的高效落地与应用； 5、将研究成果转化为实际生产力，推动大模型技术在公司产品中的应用，定期进行技术分享与交流，提升团队整体技术水平。
1、领导CCR&VOC算法团队，制定技术发展方向和策略； 2、通过优化CCR方向算法，探索基于大模型和多模态模型的技术方案，提高指标的准确率和业务的实用性； 3、通过优化VOC方向算法，探索大模型技术方案，提高风险挖掘能力； 4、与产品和运营团队紧密合作，确保CCR指标的准确性和稳定性，推动CCR指标作为电商的核心指标； 5、关注业内新技术动态，推动新技术在CCR&VOC方向的应用和落地。
1、领导CCR&VOC算法团队，制定技术发展方向和策略； 2、通过优化CCR方向算法，探索基于大模型和多模态模型的技术方案，提高指标的准确率和业务的实用性； 3、通过优化VOC方向算法，探索大模型技术方案，提高风险挖掘能力； 4、与产品和运营团队紧密合作，确保CCR指标的准确性和稳定性，推动CCR指标作为电商的核心指标； 5、关注业内新技术动态，推动新技术在CCR&VOC方向的应用和落地。
职位描述： 我们正在搭建国际化的在线分类信息平台，致力于通过技术创新提升用户体验和平台效率。寻找有才华的算法工程师加入我们的团队，专注于搜索算法、推荐算法和自然语言处理方向的开发与优化。 您将与跨职能团队紧密合作，通过先进的算法技术推动用户增长、提升平台流量以及增强用户对我们的服务的满意度，充分给同学们提供成长的机会。 岗位职责： 搜索算法方向： *使用自然语言处理技术（如语义匹配、实体识别、意图分类等）强化query意图识别 *优化搜索相关性，提升用户查询与结果之间的匹配度。 *开发和改进排序模型、语义理解模型、召回模型等，提高搜索体验。 推荐算法方向： 构建个性化推荐系统，设计高效的召回、排序及多目标优化算法，提升用户留存与转化率。 持续改进推荐策略，优化长尾物品推荐效果。 NLP算法方向： 开发自然语言理解模型，支持搜索、推荐等核心功能。 在商品描述生成、用户意图解析和文本审核等场景中应用先进的NLP技术。 探索大模型技术在分类信息平台中的应用场景，探索电商、二手车等领域中大模型的应用落地，承担大模型预训练和调优等工作，如prompt设计、fine-tuning、模型蒸馏等。 持续跟踪算法领域的最新进展，将前沿技术应用于实际业务。 支持模型在生产环境的部署和调优，确保高效、稳定运行。
面向AI内容创作场景，负责内容搜索与推荐系统的算法设计、优化及落地，通过精准的算法策略提升内容分发效率与用户体验，支撑AI生成内容（AIGC）、创作者生态等核心业务的增长。 岗位职责： 1.算法设计与优化：负责AI内容创作场景下推荐算法与搜索算法的研发迭代，包括但不限于召回、排序、过滤、个性化推荐等模块，优化内容匹配精准度与用户点击率、停留时长等核心指标。 2.数据驱动迭代：基于用户行为数据、内容特征数据等，构建算法评估体系，通过AB测试等方式验证算法效果，持续迭代优化推荐策略，解决冷启动、多样性不足等实际业务问题。 3.特征工程与模型搭建：参与内容特征、用户特征的挖掘与构建，结合场景需求选择或改进合适的推荐模型（如协同过滤、深度学习模型等），提升模型预测精度与泛化能力。 4.系统协同与落地：与工程、产品、数据等团队协作，将算法方案转化为可落地的技术实现，保障推荐系统的高可用性、低延迟与稳定性，适配AI内容创作场景的动态变化需求。 5.技术探索与沉淀：跟踪推荐算法、AI大模型在内容领域的应用动态，探索大模型与推荐系统结合的创新方向（如生成式推荐、意图理解增强等），沉淀算法研发经验与技术方案。