阿里巴巴算法工程师-大模型应用（T-Star Lab 日常实习）
任职要求
1. 计算机科学/人工智能/机器学习等相关领域，毕业时间在2026年11月之后的在校本科、硕士或博士 2. 具备扎实的编程基础（Python/C++/Java），熟悉常用算法与数据结构； 3. 掌握机器学习基础理论，了解搜、推、广系统/自然语言处理/多模态等至少一个领域； 4. 有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先； 5. 对AI技术充满好奇心，主动关注大模型、搜推广系统、NLP、强化学习等领域前沿进展； 6. 具…
工作职责
T-Star计划是阿里巴巴淘天集团顶尖人才招聘和培养项目，继承“阿里星〞的使命与愿景，面向全球招募顶尖技术人才。期待你们在淘天，通过极具挑战的前沿课题与亿级规模的海量数据、应用场景，探索和实践最前沿的Al技术，在有价值的业务场景落地技术成果。
工作内容：
1. 大模型驱动的算法革新：
a. 参与大模型（LLM、多模态大模型）在电商核心场景（搜索、推荐、广告、多智能体对话等）中的算法创新与应用；
b. 研究大模型与经典搜推广模型的融合方案，提升模型效果与用户体验；
2. 下一代AI系统构建：
a. 通过分布式训练、模型压缩、低延迟推理等技术，面向工业级应用完成千亿级参数大模型的高效训练与部署；
b. 尝试生成式AI、多智能体协作等前沿方向，推动AI技术在电商领域的创新应用；
3. 大模型在亿级用户规模落地的实战：
a. 直面淘宝数亿用户、百亿级行为数据的挑战，落地大模型应用；
b. 参与双11、618等顶级电商场景的算法优化，见证大模型技术驱动商业增长的完整链路。
T-Star实习可以带给你什么？
ꔷ ①加入前沿技术探索队伍，参与顶级课题研究，有机会实现工业界项目落地。②跟企业大牛导师/学术界名导一起做有价值的课题。③丰富的技术资源、海量的数据与优秀的团队助力发paper ④有机会提前获得秋招直通T-Star的正式Offer。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。
在这里，你将接触国内绝对第一梯队广告业务的核心算法和数据，和清北背景的Mentor一起，用大模型提升广告投放效果，收获"用算法驱动业务大幅增长”的快感，以及有机会提前获得校招T-Star的正式Offer。 岗位课题： 基于生成式模型和大模型的出价算法研究与应用 课题项目背景： 广告出价算法是最具广告特色的核心算法，也是最直接影响广告投放效果的算法。出价模型基于流量价值进行实时报价，能大幅提升广告投放效果，从而带动广告预算增长。 我们曾用强化学习、Diffusion Model、生成式大模型等范式来训练出价模型，均带来广告GMV和广告收入的大幅提升，并沉淀三十余篇顶会paper，持续引领广告出价领域的迭代。如今大模型能力日新月异，期待优秀的、有想象力的同学加入我们，一起做出有生命力的工作。 岗位描述： 1.大模型出价算法革新： A 设计基于大模型（LLM、多模态大模型）的自动出价算法，通过优化设计帮助模型具备持续scale up能力，助力模型在多场景出价任务上超越sota。； B 研究基于强化学习Post-train的大模型自动出价算法，提升客户效果与平台收益。 2.真实工业场景大规模实践落地： A 参与淘宝/天猫超大规模日请求出价模型升级，助力海量商家提升投放效果； B 参与双11、618等顶级电商场景的算法优化，见证大模型技术驱动商业增长的完整链路。 成长资源： 1.团队在自动出价算法领域上深厚技术积淀、完善的工程配套和海量广告业务数据，帮助T-star同学在算法研发上能尽情发挥才华； 2.优秀资深师兄和TL的专属coaching，为T-star同学的成长保驾护航； 3.相对宽松的环境，给够T-star同学试错空间。
岗位课题： 基于多模态推理大模型的实时用户行为序列挖掘及导购决策算法研究 课题背景： 传统方法对一次用户购物Session中的信息挖掘，主要关注的是用户对商品的行为，途径也主要是offline的基于统计学习方法的特征抽取。基于多模态推理大模型，进行实时的用户行为序列理解，以精准确定用户的购物意图及偏好，是比较有探索价值的课题。本项目聚焦两个研究方向： 1）如何构建电商领域多模态推理大模型，高效处理包含文本&视觉特征的时序session信息，进行多维度行为模式挖掘，并推理出用户的购物意图及偏好； 2）如何以导购效率为目标，进行工具集成推理学习（Tool Integrated Reasoning），实现多类型导购卡片的智能推荐决策。 成长资源： 1.与行业顶尖算法人才一起研究AI前沿技术及应用； 2.掌握多模态推理大模型核心技术，在文本/视觉/交互信号融合建模领域积累工业级实战经验； 3.深入电商搜索推荐核心场景，构建实时意图感知系统，提升复杂业务问题的建模能力； 4.接触海量用户行为数据流，实习生将完整参与AB测试到业务指标优化的闭环流程，为从事AI算法工程师奠定坚实基础。 岗位职责： 如果你，期望深入系统性研究大语言模型相关算法，包括但不限于语言模型、多模态模型、强化微调、推理、Agent等。 如果你，期望在海量用户的电商购物场景，完整体验推理大模型带来的技术变革，迅速成为工业级AI应用专家。 如果你，希望跟行业顶尖算法人才一起，在一个高度Open且技术氛围浓厚的环境中高效学习，参与算法创新，亲手应用AI改变生活。 那还在等待什么，赶紧加入我们吧！
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。