阿里云阿里云智能-大模型国际化产品运营专家-杭州
任职要求
1. 本科及以上学历。 2. 5年以上AI产品运营相关经验，具备AI产品或to B产品生态运营相关知识储备。 3. 具备优秀的跨部门协作能力，能够与PR、市场、算法、产品等团队高效沟通。 4. 英语流利，能够独立完成英文官网及帮助文档的编写与优化。 5. 具备技术理解能力，能够快速学习和总结模型…
工作职责
1. 市场宣传支持与官网优化： ● 配合PR、市场等团队，进行模型能力的市场宣传支持工作。 ● 负责百炼-国际站（英文）官网页面的优化，提升用户体验和信息呈现效果。 ● 支持新模型能力的上架及官网内容更新，确保官网信息的准确性和时效性。 ● 配合产品团队，优化模型能力相关的帮助文档，提升用户使用体验。 2. 客户支持与产品优化： ● 收集销售及客户在使用过程中的反馈，总结常见问题及最佳实践。 ● 配合产品团队，沉淀标准化的技术服务内容，并推动其在线化、工具化，提升用户自助服务能力。 ● 持续优化产品服务体验，确保用户问题得到及时解决。 3. 技术支持与问题解决： ● 监控用户问题，及时发现并快速响应，确保产品和服务的稳定性与可靠性。 ● 高效诊断用户问题，快速恢复服务，提升用户满意度。
团队介绍：国际化电商广告团队始终以广告主为核心，追求技术卓越。我们与电商、零售、旅游等各行业广告主紧密合作，致力于将国际化产品打造为各类企业不可或缺的增长平台，同时成为消费者发现并购买产品、内容及服务的首选目的地。团队肩负着实现国际化广告营收的重要使命，正在全力构建新一代网络广告解决方案。 课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。 我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。 课题挑战： 1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型； 2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了； 3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。 课题价值： 突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。
1、跟踪文本大模型、多模态大模型、强化学习等算法的最前沿进展，将相应技术赋能到多语言AI搜索对话、大模型内容理解等小红书国际化实际的业务场景中； 2、基于成熟的AI平台服务，探索构建AI搜索、对话、素材智能创作等完善的AI原生应用和X+AI应用，打造具有核心用户价值的热点应用。
1. 基于VLM/Agent等 AI 能力，融合图文/视频笔记的文本、图像、视频、音频等多维度信号，覆盖笔记、评论、账号、交易、直播等多体裁场景的国际化内容风险识别与处置，持续提升主动召回能力，实现风险、体验、效率的协同优化。 2. 建立并持续演进 Rednote 的内容特征体系与内容分级系统，输出结果应用于治理中的处置判罚、以及搜推流控等核心链路，为 Rednote 全球生态的内容质量与安全构建长期竞争壁垒。 3. 负责面向 Rednote 治理、内容理解、编辑等核心场景的 Agent 系统端到端研发，涵盖 ReAct / Tool Use / Multi-Agent 架构、意图理解与任务规划；深度参与 Agent 效果优化——从工具设计、上下文管理、编排策略到 Agentic RL 的 Post-Training，产出效果领先的 产品。 4. 深度参与LLM/VLM 的预训练、SFT、RL 等全链路训练，参与构建多模态内容理解、编辑、生成等 AI 基础能力，推动 AI 从技术到业务价值的闭环落地。 5. 持续追踪AI Agent领域的最新进展，引入并验证新技术的可行性，沉淀技术文档与最佳实践，推动前沿技术在rednote业务中的应用，保持团队的技术领先性；，沉淀国际顶会论文（CVPR/NeurIPS/ICLR/ACL 等）
1、进行生成式人工智能领域的前沿算法研究与模型优化，聚焦图像、视频、数字人、多模态生成等方向，持续突破生成质量、可控性、采样效率与训练稳定性的技术边界； 2、生成模型结构创新：深度参与Diffusion、DiT、MMDiT、Flow Matching、Rectified Flow、Autoregressive、Masked Generative Transformer等主流生成架构的设计与改进，探索新型骨干网络、时空注意力机制、条件注入方式（Cross-Attention、AdaLN、In-Context Conditioning）、3D VAE/Tokenizer设计、长序列时序建模等关键技术，提升模型在图像与视频生成任务上的表现上限； 3、数据生产与数据工程：主导高质量训练数据的构建链路，包括多阶段数据清洗（美学打分、运动一致性过滤、OCR/Watermark检测）、自动标注（Recaption、Dense Caption、镜头语言标注）、合成数据生成、Bucket分桶与分辨率策略、数据配比与课程学习（Curriculum Learning）设计，建立面向生成模型的数据飞轮与端到端质量评估体系； 4、后训练优化：应用与创新后训练方法，如SFT、DPO、IPO、KTO、Reward Modeling、RLHF及其针对Diffusion的变体（Diffusion-DPO、DDPO、ReFL），针对生成模型在美感、可控性、指令跟随、物理合理性、安全性等维度进行对齐与能力提升;探索Step Distillation、Consistency Distillation、Rectified Flow Distillation等少步采样后训练方法； 5、强化学习算法研究：探索并落地适用于生成模型的强化学习算法，包括PPO、GRPO、RLOO、Diffusion-DPO、DDPO、ReFL等，针对可微分Reward接入、采样轨迹信用分配、Reward Hacking、长视频稀疏奖励、训练稳定性与探索-利用平衡等关键问题进行算法创新。