阿里巴巴阿里国际智能技术-广告多模态算法工程师-日常实习生
任职要求
1. 硕士及以上学历，博士优先，计算机、人工智能、软件工程、数学、自动化等相关专业优先，有实习经历优先； 2. 扎实的机器学习与深度学习理论基础，在相关领域国际顶级会议或期刊（如 NeurIPS, CVPR, ICLR, ACL, KDD, SIGIR 等）发表过论文； 3. 精通 Python、C/C++ 或 Java 至少一种编程语言，具备优秀的编程习惯及数据结构基础；熟悉…
工作职责
【团队介绍】 AIDC 搜索广告算法团队，负责本对本电商 (Gmarket/Lazada/Daraz/Miravia等) 搜索广告投放优化，旨在利用先进的AI技术来构建全球领先的广告算法引擎，在不同语言、文化的国家提升平台变现效率。 多年来团队紧跟工业界和学术前沿，涉及广告竞价机制、多语言 Query 理解与广告相关性模型、生成式召回与排序模型等领域，并结合大语言模型在广告中的应用持续创新，带来业务快速增长的同时，发表多篇顶会（NIPS、ICLR、KDD、WWW、CIKM等） 【实习内容】 1. 解决搜索广告的基础问题，使模型具备业务通识能力，并构建针对大模型幻觉问题、推理能力、模型加速等关键问题的系统性解决方案，提高下游业务的迭代效率和效果上限。 2. 基于多模态预训练大模型，设计和迭代 SFT+RL训练方案，优化模型语义理解精度和推理能力，落地搜索广告关键场景任务，比如用户意图识别、用户历史兴趣挖掘、商品图搜等，实现业务指标提升。 3. 学习前沿论文与把握技术趋势，深入理解底层算法原理，探索实验面向未来的硬核技术，实现核心技术突破和技术创新，目标投稿至KDD/SIGIR/ACL/EMNLP/NeurIPS/CVPR/ICML/ICLR等顶会顶刊。 4. 参与论文研读、技术探讨与开源社区协作，跟踪领域最新进展。
岗位课题： 1.基于多模态大模型的生成式推荐算法研究； 2.具备原生多模态能力与良好可拓展性的广告预估模型研究； 3.基于AI Agent的广告交互形式创新研究； 4.电商领域的图文、视频多模态内容理解与表征生成； 课题项目背景： 课题需要探索大模型、多模态大模型相关技术，如何帮助阿里妈妈的核心广告算法模型在预估性能、泛化能力、可拓展性等方面，取得代际突破；涉及到的技术难点，有大模型与广告模型的融合、LLM-based广告模型、电商域的多模态信息提取与预训练等方面。 相关技术突破，会应用到阿里妈妈展示广告的召回、预估模型当中，帮助广告模型更好地理解商品与用户，并更优的理解能力来做广告推荐，提升用户体验、投放效率与广告营收。 成长资源： 团队有丰富的算法研究经验、充足的GPU资源，能支持相关领域的算法探索、突破创新、论文发表；团队实际负责一线业务算法，能给T-Star Lab实习生一个很好的研究产出到实践落地的环境；团队曾引入多位往届头部同学，有充足的头部人才培养经验，同时有相关学术合作项目提供全方位资源支持。 岗位职责： 在这里，你将参与到使用大模型相关技术对阿里妈妈的核心广告算法模型、链路、业务的革新过程当中。通过探索大模型与经典广告模型的融合方案、万亿级参数模型的高效分布式训练、低延迟高吞吐要求的模型推理等方向，实现核心技术的代际突破，给海量用户、商家带来更好的购物与营销体验。以及有机会提前获得秋招直通T-Star的正式Offer。
1.参与商业化领域的多模态基础大模型的研发，包含领域数据挖掘、模型结构设计和训练机制优化等； 2.将商业化领域的多模态大模型应用于用户/内容/广告/商品理解、个性化内容生成、广告搜推等业务领域，提升业务效果； 3.跟踪前沿算法研究（如预训练、后训练、强化学习、持续学习、理解&生成统一模型、图像/视频生成等），在商业化场景进行技术验证与落地。
【愿景】 随着美团业务向多个海外市场拓展，推荐与搜索系统面临多国家、多语言场景下的核心技术挑战：一方面，不同语言的语义理解差异、跨语言迁移能力不足、低资源语言数据稀缺等问题制约了搜索相关性体验；另一方面，各国市场用户行为模式、文化偏好、消费习惯差异显著，传统推荐系统难以在多国场景下实现统一建模与高效迁移。本岗位致力在打造面向多国多语言场景的推荐搜索一体化解决方案，融合多语言语义理解与大语言模型（LLM）能力，构建具备跨国泛化能力的推荐搜索系统，全面提升境外业务的用户体验与转化效率。 【你将参与】 方向一：多国多语言搜索相关性 1.多语言语义表征建模：基于多语言预训练模型（如mBERT、XLM-R等），结合本地化业务数据，构建适配多国语言的搜索相关性表征模型，提升跨语言语义对齐能力。 2.低资源语言相关性增强：针对数据稀缺的小语种市场，探索数据增强、跨语言迁移学习、零/少样本学习等技术，提升低资源语言下的相关性判断能力。 3.多国统一相关性评估体系：设计面向多国多语言场景的相关性评估框架，结合人工标注与模型自动评估，构建可扩展的多语言相关性基准。 方向二：LLM-based 多国家统一推荐 1.LLM驱动的跨国用户意图理解：基于多语言LLM，对不同国家用户的行为序列与搜索意图进行统一建模，提升跨国场景下的用户偏好理解能力。 2.多国统一推荐基座模型：探索以LLM为基座，通过多国数据联合训练与国家/文化特征注入，构建可快速适配各国市场的统一推荐模型，降低多国分治的维护成本。 3.跨国冷启动与迁移学习：针对新兴市场数据稀缺问题，研究基于LLM的跨国知识迁移与冷启动方案，提升新市场推荐效果的快速收敛能力。
【课题说明】 随着美团业务向多个海外市场拓展，推荐与搜索系统面临多国家、多语言场景下的核心技术挑战：一方面，不同语言的语义理解差异、跨语言迁移能力不足、低资源语言数据稀缺等问题制约了搜索相关性体验；另一方面，各国市场用户行为模式、文化偏好、消费习惯差异显著，传统推荐系统难以在多国场景下实现统一建模与高效迁移。 本课题旨在打造面向多国多语言场景的推荐搜索一体化解决方案，融合多语言语义理解与大语言模型（LLM）能力，构建具备跨国泛化能力的推荐搜索系统，全面提升境外业务的用户体验与转化效率。 【建议研究方向】 方向一：多国多语言搜索相关性 多语言语义表征建模：基于多语言预训练模型（如mBERT、XLM-R等），结合本地化业务数据，构建适配多国语言的搜索相关性表征模型，提升跨语言语义对齐能力。 低资源语言相关性增强：针对数据稀缺的小语种市场，探索数据增强、跨语言迁移学习、零/少样本学习等技术，提升低资源语言下的相关性判断能力。 多国统一相关性评估体系：设计面向多国多语言场景的相关性评估框架，结合人工标注与模型自动评估，构建可扩展的多语言相关性基准。 方向二：LLM-based 多国家统一推荐 LLM驱动的跨国用户意图理解：基于多语言LLM，对不同国家用户的行为序列与搜索意图进行统一建模，提升跨国场景下的用户偏好理解能力。 多国统一推荐基座模型：探索以LLM为基座，通过多国数据联合训练与国家/文化特征注入，构建可快速适配各国市场的统一推荐模型，降低多国分治的维护成本。 跨国冷启动与迁移学习：针对新兴市场数据稀缺问题，研究基于LLM的跨国知识迁移与冷启动方案，提升新市场推荐效果的快速收敛能力。