高德地图算法实习生（大模型与推荐方向）
任职要求
职位要求（Job Requirements）： 学历背景： 计算机、人工智能、数学、电子信息、自动化等相关专业，硕士及以上学历在读（2025/2026年及以后毕业），能够保证连续实习 3 个月以上，每周出勤 4 天以上者优先。 编程基础： 具备扎实的编程功底，熟练掌握 Python，了解 C++ 或 Java；熟悉数据结构与算法，代码风格良好。 框架技能： 至少熟悉一种主流深度学习框架（PyTorch / TensorFlow），有实际的模型训练和调试经验。 领域知识（满足其一即可）： 熟悉 NLP 领域，了解 Transformer 架构，有 LLM 微调（LoRA/P-tuning）或 RAG 实践经验者优先。 熟悉推荐系统基本流程（召回/排序），了解 D…
工作职责
职位描述（Job Description）： 你将加入高德地图核心算法团队，在资深算法专家的指导下，探索大模型（LLM/多模态）与推荐系统的深度结合。你将有机会接触亿级用户规模的真实业务场景，参与从前沿技术研究到工程落地的全过程。 你将参与或负责以下工作内容（包括但不限于）： 大模型前沿探索： 参与 Qwen-VL、InternVL 等多模态大模型及 LLM 在高德业务场景下的微调（SFT）、对齐（RLHF）及 Prompt 优化，探索生成式推荐的新范式。 推荐算法优化： 深入理解高德核心业务（如首页推荐、目的地预测），协助优化召回、排序（粗排/精排）、重排等核心模块，提升 CTR、CVR 等关键业务指标。 用户行为建模： 利用深度学习技术挖掘用户长短期兴趣，结合高德特有的时空数据，进行下一站预测和场景化意图推理。 多模态内容理解： 处理海量图像与文本数据，构建高质量的内容表征体系，解决冷启动问题，提升内容分发效率。 数据分析与实验： 深入分析业务数据，设计并跟进 AB 实验，通过数据驱动的方式验证算法效果并进行迭代。 你将获得： 核心业务场景： 接触高德亿级日活用户的真实数据，解决极具挑战性的时空推荐问题。 大牛导师带教： 资深算法专家一对一指导，提供清晰的成长路径和技术辅导。 前沿技术落地： 拥有充足的算力资源（GPU集群），亲手将大模型技术落地到实际产品中。 转正机会： 表现优异者可获得校招转正 Offer 或 绿色通道面试资格。
职位描述 你将加入高德地图核心算法团队，在算法专家的指导下探索大模型（LLM/多模态）与推荐系统的深度结合。你将有机会接触亿级用户规模的真实业务场景，参与从前沿技术研究到工程落地的全过程。 你将参与或负责以下工作内容（包括但不限于）： 1.用户兴趣预测：基于生成式大模型解析用户行为与商品/内容语义，构建⽤户需求预测模型，提升推荐场景的转化与⽤户体验; 2.端到端⽣成式链路：探索端到端生成式范式，替代传统多阶段漏斗链路流程，基于强化学习融合业务逻辑，建设出具备⾼效scaling能力的生成式算法新链路； 3.重排范式创新：借鉴生成式大模型技术构建生成式重排创新范式，通过Reward model + 强化学习实现端到端序列整体生态价值建模； 4.深入研究和理解大模型预训练、微调与强化学习技术，结合搜推业务目标持续优化模型效果。
团队介绍：今日头条算法团队，致力于通过技术和算法，为用户提供个性化的新闻和信息推荐服务，直接对头条的用户体验负责。我们的业务涉及内容分发和消费、内容安全、内容生态、同城、热点、垂类等各个场景。在这里，你可以通过前沿推荐/NLP/CV算法的研究和改进，结合对产品、数据的深度理解分析，将算法实际应用到业务中去，服务数亿用户。 课题介绍：本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 1、负责深入探究文本（多模态）大模型蕴含的丰富世界知识，挖掘其在推荐领域的潜在应用价值。设计并实施创新方案，将大模型的知识体系与现有推荐架构有机融合； 2、专注于研究和解决ID化推荐模型与泛化内容理解信号的融合方式，平衡用户兴趣个性化与泛化性； 3、负责运用数据处理与分析技能，对海量繁杂的内容信号进行提取，构建智能过滤筛选体系；精准捕捉真正能够代表用户兴趣的关键内容信号。
多模态大模型与推荐系统的结合应用是当前业界前沿的研究方向，旨在通过结合多模态大模型和用户行为数据来提升推荐系统的性能。阿里云人工智能平台（PAI）团队正致力于这一领域的探索与实践，以解决跨场景推荐、冷启动等问题，提高推荐模型在行为数据稀疏场景下的表现。我们的研究和开发方向包括但不限于： 1. 多模态大模型与行为数据的融合：研究多模态大模型（如图像、文本等）与用户行为数据结合的微调训练方法，探索最佳的数据融合策略。 2. 特征对齐：探索新的建模方式，实现多模态特征与用户行为特征之间的对齐，确保模型能够充分利用多种类型的数据提升推荐效果。 3. 推荐模型的优化：在现有推荐模型的基础上，引入多模态特征，优化推荐算法，特别是在冷启动和跨场景推荐等挑战性场景下，提升推荐效果。
-负责大语言模型应用的算法调研、实验、开发工作，结合大规模语言模型（LLM）技术，快速构建AI能力 -技术方向包括但不限于：大模型训练与优化、智能问答、任务式对话、query解析与改写、语义检索、阅读理解、文本聚合、跨模态理解等 -结合AI原生应用场景需求与数据，设计解决方案，解决业务问题，快速满足需求，创造实用价值。支持算法在项目上落地 -快速评估算法效果，跟进前沿技术方案与开源大模型，形成创新思路