阿里巴巴算法工程师-搜索算法大模型应用方向（T-Star Lab日常实习）
任职要求
1、硕士及以上学历，2026年11月1日以后毕业，计算机科学/人工智能/数据等相关专业，能连续实习3个月及以上； 2、具备极佳的工程实现能力，精通C/C++、Java、Python、Perl等至少一门语言； 3、对目前主流的深度学习平台，如tensorflow、pytorch等，至少对其中一个有上手经验； 4、熟悉深度学习以及常见机器学习算法的原理与算法，深入理解并掌握LLM基本原理和相关算法，如GPT、GLM、T5、BAR…
工作职责
岗位课题： 研究基于LLM的个性化电商排序模型，包括但不限于LLM与稀疏模型结合，或LLM进行端到端生成式排序 课题项目背景： 淘宝主搜索目前主要依托于稀疏特征体系，相较于稠密的多模态稠密特征泛化性偏弱。LLM的世界知识理论上可以解决现有模型面临的问题，实现真正的用户理解/商品理解，基于大模型推理能力实现个性化购物决策路径推理，个性化意图推理等。 实习生同学可以在此项目中深度探索LLM应用到“个性化任务”中的各项子任务，并且在这一过程中深度理解电商业务与前沿技术之间的关系，学习如何实现二者兼顾并产出落地于工业界的技术方案。 岗位职责： 如果你，期望直接接触工业界最真实的海量数据； 如果你，期望探索生成式搜推技术； 如果你，期望探索基于LLM的下一代个性化技术； 如果你，期望兼顾技术深度与业务价值实现，探索研究业界最新的技术方向； 加入我们，与我们一起在复杂业务变化中开拓创新，体验追求极致、进无止境的工程师文化。
在这里，你将接触业界顶尖的算法团队和超大规模的技术应用，从事用大模型重新定义搜推广技术的前沿工作，以及有机会提前获得秋招直通T-Star的正式Offer。 岗位课题： 1.基于大模型范式的预估模型研究 2.基于生成式模型的通用用户终身行为建模方案研究 3.面向搜索、推荐和广告场景，端到端的召回和预估联合建模方案研究 4.基于多模态语义信息重塑商品ID体系的方案研究 课题背景： 在大模型时代，我们是否有机会去革新搜推广模型和架构是本课题研究的核心。 成长资源： 1.基础设施-集团对AI的重视和对AI包括算力在内的大力投入，结合团队已有的成熟的研发基础设施和充足的算力，可以支持T-Star进行大胆、高效的技术创新； 2.经验传承-业界大牛担任导师传帮带，手把手帮助T-Star同学在技术和业务上快速升级能力和认知； 3.创新环境-丰富的业务落地环境，大量的开放性课题对接真实商业需求，可以进行短、中、长周期的技术创新。
【课题说明】 构建面向美团本地多业务场景的搜索系统，探索基于LLM的下一代本地生活服务搜索系统。通过探索LLM在搜索的意图理解、相关性建模、生成式召回、展示素材和样式的应用，提升搜索系统端到端的体验、匹配效率。 【建议研究方向】 1.基于LLM的轻量级搜索相关性模型 参与设计和实现基于LLM的可解释、可蒸馏、低延迟的大模型相关性判别器，提升搜索的体验。 2.多业务多目标混排机制 参与设计多业务多目标混排机制，实现多业务混合排序架构，融合多业务多目标排序，实现全局最优。 3.基于Transformer架构的高稠密精排模型 探索融合全域样本、多业务全域特征，基于Transformer和MOE构建多业务全域统一基础模型，在Data scaling的基础上持续摸高模型稠密化Scaling up。 4.多模态建模展示素材与创意 探索搜索场景下的创意素材展示策略，基于多模态内容理解表征建模、在线多目标创意素材排序建模，提升搜索的展示体验与效率。
1. 负责微博主站搜索业务的语义搜索技术研究和落地，包括：语义相关性、查询理解、问题生成、召回索引等核心技术 2. 基于海量用户行为数据以及人工标注数据，结合自然语言处理、大模型等前沿技术，支持Query改写、内容生成等一系列业务 3. 推进大模型技术在搜索引擎的落地，参与基础大语言模型应用研发，包括但不限于智能问答、物料扩充生成、搜索任务规划、内容优选和排序、工具调用、归纳总结、逻辑推理等能力
1. 跟进多模态大模型（vLLM）预训练、SFT、RLHF等技术，调研与跟进最新进展；负责多模态相关性大模型、多模态大模型稀疏检索和稠密模型，多模态大模型个性化预训练方向，以及多模态大语言模型的训练和推理加速； 2. 多模态大模型个性化预训练：研发个性化预训练模型，探索在训练样本、模型参数量等维度上scale-up能带来的收益，研究在电商搜索场景下, CTR和CVR 模型中用户动线特征的挖掘和应用，包括用户行为模型的获取、特征设计、结构优化等个性化建模； 3. 多模态大模型的训练和推理加速：协助研究和开发多模态大语言模型的加速技术，包括但不限于量化、剪枝和蒸馏，以及数据特征和调度优化；实现和优化多模态大模型推理框架，以提高推理速度和效率；与工程团队合作，解决机器学习模型在部署过程中的性能问题； 4. 多模态大模型相关性模型：研发基于多模态大模型的相关性标注和评测大模型，应用到体验实验评测、体验监控、离线数据标注、线上相关性判断等方向； 5.多模态大模型稀疏检索和稠密模型：研究方向包括不限于：电商词表生成、多模态稀疏词表和稠密表征技术、LLMs幻觉缓解等问题。