平安科技算法工程师（AI量化方向）

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。 1、研发垂域大模型：面向淘宝复杂工程技术体系，构建懂淘宝上下文的研发垂域大模型 ·设计面向复杂工程系统的大模型数据构建和训练策略，涵盖离线的研发数据的高质量组织与清洗、在线人机协同的用户轨迹数据组织与迭代、算法训练方式策略选择（CPT、SFT、RL/RLHF）等； ·攻克研发场景的大模型面临的工程系统关系理解、研发领域知识显式记忆与推理、研发域差异化任务规划及工具调用、及情景感知检索等方向难题，打造懂业务、懂架构的研发智能体能力。 2、端侧大模型探索：结合淘宝开源端侧深度推理引擎 MNN，探索极致高效的端侧大模型技术 ·摒弃单纯的模型压缩思路，以端侧NPU/CPU/GPU 的硬件特性牵引大模型架构设计，探索并设计适合端侧运行的高效模型架构，在有限算力下突破性能瓶颈； ·负责端侧模型的全流程训练探索，涉及从预训练及后训练优化，结合投机采样、KV Cache优化、混合量化等优化，得到高性能的端侧大模型。

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！

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。 1、研发垂域大模型：面向淘宝复杂工程技术体系，构建懂淘宝上下文的研发垂域大模型 ·设计面向复杂工程系统的大模型数据构建和训练策略，涵盖离线的研发数据的高质量组织与清洗、在线人机协同的用户轨迹数据组织与迭代、算法训练方式策略选择（CPT、SFT、RL/RLHF）等； ·攻克研发场景的大模型面临的工程系统关系理解、研发领域知识显式记忆与推理、研发域差异化任务规划及工具调用、及情景感知检索等方向难题，打造懂业务、懂架构的研发智能体能力。 2、端侧大模型探索：结合淘宝开源端侧深度推理引擎 MNN，探索极致高效的端侧大模型技术 ·摒弃单纯的模型压缩思路，以端侧NPU/CPU/GPU 的硬件特性牵引大模型架构设计，探索并设计适合端侧运行的高效模型架构，在有限算力下突破性能瓶颈； ·负责端侧模型的全流程训练探索，涉及从预训练及后训练优化，结合投机采样、KV Cache优化、混合量化等优化，得到高性能的端侧大模型。

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、参与并负责核心业务场景的各类算法，包括个性化推荐系统等核心算法能力； 2、深度参与商品、内容分发算法设计，提升流量匹配的效率和用户粘性； 3、建设包括AGENT、RAG召回、粗排、精排、重排、混排等推荐算法，打造集团和业界一流的算法； 4、探索大语言模型（LLM）、多模态大模型、Agent及RAG技术在搜推领域的应用，利用SFT微调、强化学习（RLHF/DPO）、提示词工程等手段，提升对用户意图的深度理解及内容承接能力。