阿里巴巴阿里妈妈-广告大模型算法工程师(预估方向)-北京*
任职要求
1、计算机、数学或统计学相关专业硕士及以上学历； 2、熟练掌握Java/C++/Python中至少一门语言，有扎实的数据结构和算法基础； 3、熟悉常用的机器学习算法； 4、具备优秀的分析和解决问题的能力，良好的沟通协作能力； 5、有大模型、数据挖掘、机器学习、强化学习、信息检索、自然语言理解、推荐系统、计算广告学及算法博…
工作职责
1、探索生成式预估范式在搜索推荐场景的可行性与边界，系统分析生成式模型相较于传统判别式模型在表达能力、泛化性与训练效率上的优劣；设计可扩展的生成式架构，涵盖生成式训练范式、结构优化、以及基于强化学习的排序目标对齐方法，构建具备scale-up潜力的下一代预估模型体系。 2、研究大语言模型（LLM）在电商场景下的个性化CTR/CVR预估应用，探索模态对齐、用户行为链（CoT）建模等技术路径，将LLM的推理能力迁移至用户偏好理解与意图推断，实现更精准的人货匹配与动态兴趣建模。 3、主导大模型预估系统的基础设施建设，涵盖算力友好的算法设计、分布式训练加速、线上低延迟部署、端到端链路优化及计算复杂度控制，推动前沿模型技术在高并发、实时性要求严苛的工业场景中规模化落地。
基于用户决策快照的广告预估基座模型 【课题说明】 打造以用户决策过程为核心的下一代广告预估基座模型。课题目标是在美团全域业务（外卖 / 到店 / 酒旅 / 团购等）中，构建一个用于预估任务的「用户决策大模型」，通过拟合用户历史决策时刻的全部上下文信息，学习用户偏好，预测用户下一个时刻的曝光 → 点击 → 浏览 → 加购 → 下单 → 到店 → 评论的全链路多状态、多路径概率。 【建议研究方向】 1.多模态决策场景重建：构建「全域行为快照生成器」，将用户的行为序列，转换为用户每一次决策时刻的多模态、高信息密度的「决策快照」。 2.用户决策基座模型：依托「全域行为快照」，预训练一个统一的用户决策基座模型，在给定任意「场景 prompt + 候选 item/店铺」时，能输出用户下一步行为的多任务、多状态概率。 3.决策策略对齐：探索该模型在各个场景上进行轻量微调与部署的方案，实现场景级定制。
1、设计和实现创新的品牌广告产品，优化广告投放算法和模型，包括保量库存系统优化与预测、投放链路上各阶段模型改进与创新； 2、参与广告核心深度学习模型（CTR/CVR等）的优化，包括模型创新和特征体系； 3、负责品牌广告AIGC相关体系的系统建设，包括视频、图片、音频多场景内容生成； 4、负责商业化品牌广告侧垂类大模型的相关研发和应用，深入挖掘垂真行业、开源以及广告的海量数据，构建品牌广告知识库，研究前沿大模型训练和优化方法，助力广告行业特性打造可控的垂类模型能力； 5、支持广告领域的大模型时代下的新型AI产品，提升广告行业场景的用户体验和效率，打造AI时代的广告新应用；
【愿景】 美团广告业务覆盖商家营销触达、广告投放、创意生产、用户咨询转化等多个环节，当前整体链路仍高度依赖人工，在覆盖效率、服务成本、响应速度、创意质量和个性化能力上均面临挑战。 本岗位致力于将大模型技术应用于美团广告经营全链路，结合智能销售、智能 IM、智能创意、B端Agent等场景，探索广告领域垂类大模型、多智能体协作、工具调用、多模态生成和转化信号优化等关键能力。通过大模型赋能商家触达、用户交互和创意生产过程，降低广告经营与服务成本，提升商户广告投放意愿、用户成单转化率和平台广告业务效率。 【你将参与】 1.智能 IM：设计基于大模型的商家 IM 助手，交互式识别用户意图，完成多轮答疑、导购推荐、客服承接、留资预约等任务。重点研究多智能体协作、动态工具调用、任务分解规划与对话 harness，提升复杂交互任务的稳定执行能力。 2.智能创意：借助大模型的多模态理解与生成能力，结合用户画像、商户/品特征、热点趋势和投放目标，探索图文笔记、短视频、长视频、脚本、素材选择等商用级广告创意生成技术。重点研究创意 Agent 框架、开放式任务奖励建模与效果反馈优化。 3.智能销售：面向电销、IM、企微等商家触达场景，构建大模型驱动的智能销售系统，提升商户需求理解、广告产品推荐、异议处理和多轮营销对话能力。重点研究商家画像与交互环境建模、销售 Agent 框架、Agentic RL 与转化信号优化。 4.B 端 Agent：面向商户广告经营与投放优化场景，构建具备经营诊断、投放建议、效果分析和自动化操作能力的 B 端广告 Agent。重点研究广告 Agent harness、复杂工具调用、长程任务规划执行、状态记忆与效果反馈优化等技术。
【愿景】 广告系统长期采用"召回→粗排→精排→出价→拍卖"的多级漏斗架构，各模块独立优化导致目标不一致，前链路制约后链路上限，漏斗效率折损大。 随着大模型与生成式技术的快速发展，工业界已在端到端生成式广告方向进行了系统性布局，验证了生成式框架在候选生成、全链路排序、创意生成和机制设计等环节的技术可行性，其强大的表征能力和良好的Scaling特性为广告系统的范式跃迁提供了新的可能性。本岗位致力于在探索如何利用生成式技术重塑整个广告系统，通过端到端的生成式广告大模型完成所有决策，打破多级漏斗框架，打开模型联合决策空间。 【你将参与】 1.生成式召回：突破传统检索范式，探索广告场景下的生成式候选生成方案，包括层次化语义ID设计（RQ-VAE/VQ-VAE）、以及召回与排序联合端到端优化。 2.生成式预估：设计支持大规模候选端到端打分的生成式排序框架，探索"预训练+业务对齐（RLHF/DPO）"的分阶段训练范式，解锁广告模型的Scaling规律，驱动系统从人工调参向算力堆叠迭代跃。 3.生成式创意：基于多模态大模型实现广告创意的自动生成与动态组合，结合用户实时意图的个性化创意定制，以及创意与广告主商业目标的对齐优化，提升创意与用户的匹配深度。 4.生成式机制：构建端到端可学习的广告拍卖机制，将出价、分配、计费纳入统一生成框架，建模广告外部性（排列位置、上下文交互对转化率的影响），在保证近似激励相容性（IC）的同时最大化平台RPM。