阿里巴巴多模态理解与用户意图推理-阿里星
任职要求
- PhD / 硕士毕业生，计算机、人工智能、统计、数学、电子工程等相关专业。 - 在机器学习、推荐系统、信息检索、NLP、大模型、多模态理解、数据挖掘、强化学习等方向有扎实基础。 - 熟悉多模态理解模型的原理与应用，能够建模文本、图像、视频、商品、内容与用户行为之间的语义关系。 - 了解或实践过大语言模型后训练相关技术，如 SFT、DPO、偏好对齐、指令微调、…
工作职责
- 参与用户理解、行为建模、意图识别等核心算法研发。 - 探索大模型、多模态、序列建模、因果推断、强化学习等技术在搜索推荐场景中的应用。 - 参与模型训练、评估、上线和实验分析，推动算法能力在真实产品中落地。 - 与产品、工程、算法团队合作，将研究问题转化为可验证、可迭代的系统能力。 - 在有条件的情况下，参与论文、专利、技术分享和开源等技术影响力建设。
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AI技术，在有价值的业务场景落地技术成果。 参与用户理解、行为建模、意图识别等核心算法研发。 - 探索大模型、多模态、序列建模、因果推断、强化学习等技术在搜索推荐场景中的应用。 - 参与模型训练、评估、上线和实验分析，推动算法能力在真实产品中落地。 - 与产品、工程、算法团队合作，将研究问题转化为可验证、可迭代的系统能力。 - 在有条件的情况下，参与论文、专利、技术分享和开源等技术影响力建设。
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。首次开设实习生专项招聘，面向2026年11月及以后毕业的校优秀技术同学。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。 - 参与用户理解、行为建模、意图识别等核心算法研发。 - 探索大模型、多模态、序列建模、因果推断、强化学习等技术在搜索推荐场景中的应用。 - 参与模型训练、评估、上线和实验分析，推动算法能力在真实产品中落地。 - 与产品、工程、算法团队合作，将研究问题转化为可验证、可迭代的系统能力。 - 在有条件的情况下，参与论文、专利、技术分享和开源等技术影响力建设。
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。
团队介绍：Data-抖音团队，负责抖音APP的推荐算法、AI大模型应用、内容算法、智能对话等算法工作，对接全链路各体裁（短视频，直播，图文）各业务（内容消费，UGC，打赏，社交，生态，投稿，消息，汽水音乐，精选，增长投放，评论，内容理解&安全、智能对话等）。我们的工作涉及大规模推荐算法的优化、复杂约束的优化问题的解决、内容理解、LLM技术技术研究、AI落地应用以及新业务方向探索、CV/NLP等多个学术领域的算法改进工作、对多种场景的推荐架构的设计和实现和对产品数据的复杂深入的分析工作。在这里，你可以深入钻研机器学习算法的改进和优化，探索工业界最领先的推荐系统架构和推荐大模型算法、可以通过使用最新的大模型等技术支持抖音的数字人、智能客服、AI工具等创新探索；可以通过对产品的深度理解和思考，将算法应用到业务中去；也可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 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。