阿里巴巴未来生活实验室-多模态大模型和认知推荐方向日常实习生
任职要求
1. 计算机视觉、自然语言处理、机器学习、数据挖掘、人工智能等相关专业的全日制在读硕士/博士； 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. CV、NLP、ML等基本功底，有MLLM实操经验，参与过大模型预训练，SFT，RLHF等项目者优先； 4. 良好的逻辑分析能力和数理基础，对算法原理及应用有较深入的理解，在人工智能顶级会议/期刊中发表论文者优先； 5. 能长时期线下实习者优先。 【加分项】 1. 在高影响力的开源项目中，做出过核心贡献； 2. 在国际竞赛（如：ACM ICPC, Kaggle, KDD Cup, SemEval等）中获得过优异成绩。
工作职责
1. 多模态对齐（超大规模通用预训练、电商场景高效垂域SFT、训练部署加速、开放词汇理解）； 2. 增强式MLLM（RAG、CoT、MoE、Agent、RLHF、多轮交互学习）； 3. 数据中心飞轮（自动化数据收集/治理/合成、资源高效/集约学习）； 4. 基于大模型技术的搜推场景数据增强，知识增强，标签修正。
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2025年10月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。 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
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2025年10月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。 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
岗位课题： 探索生成和理解统一模型对视觉理解的增益 课题项目背景： 基于推荐和内容场景，通过多模态、大模型技术，应用于内容质量审核、内容基础信息完善、推荐泛化性探索等场景；我们有海量的商品、用户行为数据，能让实习生将前沿技术落地，并在真实应用和用户反馈中实现技术价值。 岗位职责： 在这里，你将深度参与并探索多模态、大模型技术给推荐、内容应用场景带来的新可能、新突破。这些技术成果，也将具体体现在每日用户使用和反馈的效果提升上。
这是一个需要具备算法基础理解的产品岗位，希望未来往产品经理方向和算法方向的同学投递。 日常的工作包括：电商导购与素材的产品链路梳理、大模型策略编排、知识库搭建等。 1. 深度理解电商业务场景（推荐/广告/搜索/对话），挖掘大模型技术的落地机会，设计AI驱动的产品创新方案； 2. 结合用户需求与商业目标，规划大模型产品路线图，推动生成式推荐、智能导购、多模态广告等核心功能落地； 3. 探索AI技术边界，定义下一代电商交互范式（如Agent协作、动态商品生成、认知式营销）； 4. 与算法、工程团队紧密协作，将大模型技术能力（如LLM、多模态理解、RAG）转化为可规模化的产品功能； 5. 设计实验方案并分析数据，验证技术方案的业务效果（如GMV提升、用户体验指标优化），驱动产品迭代； 6. 洞察行业趋势与竞品动态，输出大模型在电商场景的应用洞察报告，为团队决策提供输入。