阿里巴巴基于多模态大模型的智能定价和投资Agent能力建设和优化-Bravo Star
任职要求
1、深度学习、强化学习、运筹学、自然语言处理、图像识别或应用数学等相关专业的硕士或博士生； 2、熟悉Java，C++，Perl，Python等一种以上编程语言； 3、具备业务抽象和建模能力，能够将复杂的业务场景分解，并进行面向业务问题的算法建模； 4、具体大模型落地经验优先考虑，…
工作职责
阿里国际数字商业集团-供应链物流&定价算法团队专门负责阿里巴巴海外零售商品定价的建设和优化工作，业务覆盖全球，支持了千亿级别的零售行业、以及数以千万计的商品。 我们支撑了阿里国际商业零售供的智能定价决策体系，我们的核心职责是通过商品定价、优化投资效率，提升平台的成交规模和损益。我们的工作涉及到国际商业数字零售定价问题的方方面面，充满了趣味和挑战。 在这里，你将和我们一起，采用大模型、强化学习、运筹优化算法、仿真分析等持续解决定价和投资中的现实问题，不断创造价值，重塑整个海外零售商业体系，为社会带来更加美好的生活！ 在这里，您将与优秀的算法团队紧密合作，共同解决商业活动中的定价和投资问题，不断创造价值。让我们携手共创海外商业数字供应链的未来！ 我们的具体工作内容如下：构建国际电商场景下的定价和投资AI Agent, 通过建设多模态的商品特征、商家以及用户行为的理解能力，商品定价策略生成能力以及长序列投资决策学习能力，实现平台整体损益和规模的长期优化。 1、商品、用户、商家多模态特征理解：以商品特征理解为例，利用多模态大模型同时处理商品图像（包装、材质、设计风格）和文本信息（品牌、功能描述、用户评论），学习能够反映定价相关属性的商品表示。研究如何从LLM输出中提取影响定价的关键特征，如品类归属、档次定位、功能复杂度、品牌溢价等。同时，研究如何从LLM的商品理解中抽象出可迁移的定价规律，包括同品类内的价格敏感度模式、不同档次商品的定价策略差异、可替代品之间的价格关联关系。设计知识迁移学习框架，将成熟品类的定价知识迁移到新品类或长尾商品； 2、商品定价策略生成能力：根据商品特征的理解自主制定价格策略，比如识别商品视觉特征（如包装颜色、尺寸展示、质感）对消费者价格预期的影响（例如，识别出"高端包装"应匹配更高价格锚点和更低折扣频率），并将其整合成商品的定价策略，同时需要满足平台对整体货盘的损益和规模要求； 3、长序列投资决策学习能力：根据对不同投资对象（商品、商家、用户），通过强学学习等方式学习历史决策结果，研究基于序列生成的未来定价/投资轨迹优化，实现对长期投资策略的提前规划和持续优化。
团队介绍：国际化商业安全团队致力于在国际化用户、企业和产品之间建立安全可靠的连接。我们通过一系列完善的系统和能力，审核广告内容、预测政策违规行为，并执行广告审核通过或拒绝的措施。作为国际商业化团队的业务合作伙伴，我们提供的业务诚信解决方案不仅确保国际化业务始终是一个安全、积极、友好的用户环境，同时也推动业务增长。 课题介绍：随着数字内容的爆炸式增长，智能审核已成为互联网平台重要的技术能力，但面对日益复杂的审核场景和不断演进的对抗手段，传统审核技术正面临前所未有的挑战。当前智能审核领域存在规则动态性、内容复杂性、样本稀缺性、对抗升级和解释性缺失等诸多技术难题，特别是在涉及审核规则变更、长文本、长时序、多语言、少样本和AIGC生成对抗等问题时，现有的开源大模型表现仍有提升空间。 课题挑战：重点突破多模态推理、Context Engineering、理解与生成统一等核心技术，实现智能决策、自主规划、工具调用和智能修复等能力。 课题价值：打造领先审核系统，实现高质量的是否拒绝、为何拒绝、智能修复全流程能力，实现全机审，效果超人工。
团队介绍：国际化商业安全团队致力于在国际化用户、企业和产品之间建立安全可靠的连接。我们通过一系列完善的系统和能力，审核广告内容、预测政策违规行为，并执行广告审核通过或拒绝的措施。作为国际商业化团队的业务合作伙伴，我们提供的业务诚信解决方案不仅确保国际化业务始终是一个安全、积极、友好的用户环境，同时也推动业务增长。 课题介绍：随着数字内容的爆炸式增长，智能审核已成为互联网平台重要的技术能力，但面对日益复杂的审核场景和不断演进的对抗手段，传统审核技术正面临前所未有的挑战。当前智能审核领域存在规则动态性、内容复杂性、样本稀缺性、对抗升级和解释性缺失等诸多技术难题，特别是在涉及审核规则变更、长文本、长时序、多语言、少样本和AIGC生成对抗等问题时，现有的开源大模型表现仍有提升空间。 课题挑战：重点突破多模态推理、Context Engineering、理解与生成统一等核心技术，实现智能决策、自主规划、工具调用和智能修复等能力。 课题价值：打造领先审核系统，实现高质量的是否拒绝、为何拒绝、智能修复全流程能力，实现全机审，效果超人工。
相关研究课题组分方向如下： 1. 多模态大模型强化学习训练及微调。 2. 多模态大模型电商垂域应用增强。 3. 电商AI内容生成引擎。 4. Multi-agent系统强化学习体系建设。
团队介绍：抖音Generative Recommendation 团队，通过对推荐模型的范式升级，带动整个推荐系统做整体重构，同时支持抖音短视频、直播等重要业务场景。我们的工作涉及大规模推荐算法的前沿探索、复杂约束的优化问题的解决、CV/NLP等多个学术领域的算法改进工作、面向工程约束下的最优算法设计和实现，以及对产品数据的复杂深入的分析工作。 课题介绍：本课题旨在探索基于多模态大模型的模态理解与表征、世界知识、推理等能力，并深度的与信息分发（推荐、搜索等）中的用户行为理解和建模结合起来，构建支撑下一代分发与交互技术的基础模型和系统范式。通过基础技术突破和探索，既尝试解决原有分发技术中对长尾兴趣分发、用户复杂意图理解、多模态与行为协同融合、System Bias、分发系统的算力与推理分配等一系列关键问题，也探索基于新的多模态大模型与用户对齐的理解，支持全新的可对话性需求满足、可自然交互性的分发调节与个性化等能力和产品形态上的突破。 课题挑战： 1、多模态大模型的完整流程的训练，以及与大规模用户行为深度理解和对齐； 2、突破多模态大模型与长序列高并发高效推理的瓶颈； 3、实现大模型泛化推理能力与复杂推荐业务目标的深度对齐。 课题价值： 1、打破信息茧房，提供个性化可解释推荐，提升长尾/冷启分发效率； 2、沉淀大模型Scaling Up范式，重塑大模型时代的下一代推荐系统； 3、探索全新的支持下一代交互场景的分发基础技术突破。