高德地图算法实习生（大模型与生成式推荐方向）
任职要求
职位要求： 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…
工作职责
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。
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。
岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。
岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。
当前推荐算法主要依赖用户行为做相关性建模，基于正负反馈信号动态调整用户兴趣表示。这种建模方式在用户意图理解、复杂偏好刻画及跨领域知识利用和泛化性方面仍存在明显局限：一方面，行为信号往往稀疏且滞后，导致兴趣调节效率有限；另一方面，推荐模型缺乏对高维世界知识的有效提取、整合与推理能力，难以深入理解用户真实需求及其潜在偏好。尤其对于低活跃、低消费或行为样本不足的用户群体，现有方法较难显著提升推荐效果与用户体验。 近年来，大模型在知识表征、语义理解、逻辑推理和泛化能力方面展现出显著优势，为突破当下推荐系统瓶颈提供了新的技术路径。通过探索大模型与推荐系统的深度融合，有望增强系统对用户意图的精准感知能力，提升对复杂兴趣和长尾需求的理解水平，可进一步推动推荐系统向更加智能化、个性化和人性化的方向发展。