阿里巴巴研究型实习生-阿里妈妈-算法工程师（生成式推荐算法研究方向）
任职要求
1. 自然语言处理、机器学习、数据挖掘、人工智能等相关专业的硕士生/博士生； 2. 熟练掌握Tensorflow、Pytorch等深度学习框架，扎实的编程基础，具备独立的算法实现能力； 3. 有LLM…
工作职责
阿里妈妈淘宝联盟拥有一个由商家、商品、渠道推广者和亿万级消费者组成的时间和空间的超大规模复杂网络。节点包括商品、商家、推广者与用户，边则代表了它们之间的推广和经营关系。传统的推荐算法在捕捉这种图谱中的高阶、深层的关联性存在不足，大多停留在浅层的关系利用上，难以捕捉实体间的交互模式、社群结构以及动态演化的趋势，导致推荐匹配的精准度与效率存在显著的提升空间。本研究探索图神经网络（GNN）与大型语言模型（LLM）的深度融合，为图中的商品、推广者等异构节点生成富含结构信息与深层语义的统一表征——即“语义ID”，以及基于图对齐的语义ID的生成式推荐。 1.负责生成式推荐技术在电商场景的研发与落地。 2.主导设计并实现商品推荐生成式框架，重点攻克图结构信息与LLM语义信息的跨模态融合与对齐难题。 3.跟进SFT、RLHF、多模态等前沿技术，持续优化模型，并推动技术成果转化为实际业务增长。 4.沉淀技术影响力，撰写高质量专利和顶级学术论文。
【课题说明】 信息流广告系统一般采用“召回->粗排->精排->出价->拍卖”的多级漏斗架构，但各模块独立优化导致优化目标不一致，前链路会制约后链路上限，漏斗效率折损大。随着大模型和生成式技术的快速发展，其强大的表征能力和良好的Scaling性质也为广告系统提供了新的可能性。本研究旨在探索如何利用生成式技术重塑整个广告系统，通过一个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，打开模型决策空间，最大化平台收益。 【建议研究方向】 1.生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略。 2.高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求。 3.低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题。 4.广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务。
岗位职责： 1. 参与多模态视频生成模型的 Prompt 体系构建，负责 Prompt 模板设计、参数调优与效果验证； 2. 基于大模型（LLM）生成 caption、tagging、场景描述等内容，为视频数据打标或生成优化提供语义支撑； 3. 编写代码（Python / Node.js / Shell 等）实现 Prompt 的批量实验、自动化测试与结果分析； 4. 与算法团队协作，基于定量指标（如时序一致性、角色稳定性、文本匹配度等）进行优化评估； 5. 分析模型生成日志与视频输出，定位问题并提出针对性 Prompt 调整方案； 6. 参与数据清洗、Prompt 模板版本管理与 Prompt–生成–评测的全流程自动化建设。
-配合算法团队，负责 Coding Agent 体系下的 Web 前端源码生成与优化 -主导前端源码编译及沙盒运行环境的设计与维护 -承担“秒哒”平台前端基础设施及核心功能模块的研发工作 -探索游戏及跨端应用领域的源码自动化生成技术
工作内容 1. 熟悉世界模型（World Model）、场景重建、3D环境生成等方向的云端/端侧模型，精通相关模型（如3DGS、NeRF、GNN、Transformer-based世界模型）的代码实现和推理逻辑。 2. 对自动驾驶场景下的多模态数据（点云、图像、IMU、GPS等）进行预处理、分析和特征工程，基于对自动驾驶场景的深入理解，挖掘数据价值以优化世界模型的场景还原度和预测精度。 3. 结合公司已有的自动驾驶场景数据、真实路况数据，对世界模型进行finetune优化，使其能够精准生成符合真实路况、动态交互合理的自动驾驶虚拟场景，适配业务实际需求。 4. 与算法部署、自动驾驶感知/规划工程师紧密合作，确保世界模型的输出能够高效集成到自动驾驶仿真、感知预测等链路，保障算法的实际可行性和工程落地性。 5. 跟踪世界模型、场景生成、动态预测等领域的最新科研进展和技术趋势，关注顶会（NeurIPS/ICCV/CVPR/ICML）及行业前沿成果，将前沿技术转化应用于解决自动驾驶场景下的实际问题。