得物搜索算法专家（社区）
任职要求
1. 本科及以上学历，计算机相关专业背景，具备扎实的工程与算法基础。有搜索、推荐、广告、NLP等方向实践经验； 2. 具备良好的编程能力与系统思维，熟练掌握主流编程语言（至少 Python / C++ / Java其中一种），具备扎实的计算机基础知识（如操作系统、数据结构等）； 3. 熟悉传统机器学习与深度学习核心方法，掌握GBDT、BERT、LLM、CTR/CVR预估等关键技术路径，熟练使用 TensorF…
工作职责
【团队介绍】 得物社区搜索致力于打造年轻人消费决策首选的内容搜索平台，是得物app及社区内容消费的重要入口。当前团队聚焦在搜索全链路的优化，包括多模态语义匹配、个性化排序、内容质量、搜索增长等方向，持续提升搜索体验和规模，帮助用户更高效地发现有用内容完成决策，构建良性的社区内容生态循环。 团队成员来自国内一线互联网公司，核心骨干经验丰富，同时也聚集了一批具备快速成长潜力的年轻算法工程师，整体风格开放、高效、注重技术钻研与业务交付能力，致力于构建兼具深度与活力的搜索技术团队。 当下正值搜索能力升级与大模型技术融合的关键期，团队拥有良好的技术氛围和充足的资源投入，欢迎对搜索/大模型技术理解深刻、热爱改进用户体验、具备技术探索精神的你加入，共同打造下一代社区搜索系统。 职位描述 1. 协同产运业务团队，共同定义搜索体验演进方向，围绕社区用户需求与内容生态特点，推进相关性匹配、内容质量、个性化优化、意图激发等关键能力落地，提升搜索场景在内容消费与用户决策中的价值，完成整体业务目标； 2. 负责搜索系统的全链路建设与优化，包括召回、排序、重排、相关性、搜索增长等核心模块。重点方向涵盖多模态语义匹配、 内容质量、用户全域全周期个性化建模、全链路一致性/多目标建模等； 3. 深入探索基于大模型的搜索优化路径，结合搜索及社区图文视频数据，推动多模态理解匹配、意图理解、生成式召回等新技术的工程化实践，实现前沿算法与复杂业务场景的高效结合； 4. 参与跨团队协作，推动跨部门项落地，在与工程、数据等团队的高效配合中，扩大影响力；同时在团队内部推动协作规范、知识沉淀与技术氛围建设，帮助团队能力持续进步。
【团队介绍】 得物社区推荐算法团队负责得物app中得物推荐页的内容推荐业务，直接优化得物社区流量的推荐算法策略和模型效果。我们的工作内容包含推荐漏斗的大规模推荐算法优化，包括但不限于召回、粗排、精排、重排算法和模型优化以及多模态、生成式推荐技术优化。 团队由来自不同背景的优秀同学组成，具备深厚理论基础和丰富行业实践经验。 (包括来自国内外知名大厂的前员工、推荐/广告/搜索算法领域的的专家等)，也有许多年轻高潜、成长迅速的superstar(清北复交等top学校的候选人)。团队技术氛围良好，既有充分的自由度进行前沿技术探索，又有大规模的业务场景进行落地验证，团队近年已有一些成果发表在SIGIR、AAAI、ACM MM、CIKM等顶会上。 团队整体核心业务稳定，创新场景丰富，成长空间巨大，亟待更多优秀的同学加入做更多有挑战的事！ 职位描述 1. 负责信息流推荐的业务推荐算法工作，深入理解社区推荐业务形态。和产品运营一起制定业务目标和推荐策略，推进业务增长和前沿技术落地，完成整体业务目标； 2. 研究方向包括信息流推荐的召回、粗排、精排、重排等算法方向的算法优化，包括不限于图神经网络学习、多模态/大模型推荐技术、多目标优化、生成式推荐等方向的研究； 3. 深入参与深度学习技术研究方向，解决具体业务问题的同时，形成完整的方法论和创新的idea； 4. 组织推进组内以及跨部门合作项目，帮助团队进步和新人成长。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
业内研究表明，生成式的推荐系统存在Scaling Law现象，Scaling Law的出现相较于现有推荐系统无法通过扩充持续提升效果的现象，提出了新的可能性。该团队负责小红书生成式推荐方向，目前已经完成了原型架构的开发和线上验证，欢迎业内在推荐/广告/搜索等领域的专家一起，共同探索生成式推荐在真实业务场景的价值。 【职位描述】 1、负责生成式推荐在小红书社区推荐&展示广告场景的研发； 2、在生成式架构下，重新思考传统推荐架构中的行为建模技术（如超长序列、多兴趣等），并在召回/排序等场景中进行应用； 3、与MLLM和架构团队配合，将其他生成式模型的知识和能力迁移进实时的生成式推荐架构中；
1、深度参与探索AI在穿搭场景的产品创新与落地，探索并定义下一代购物体验； 2、利用AI进行方案快速发散与收敛，开展Prompt、RAG、工作流设计等，快速搭建MVP进行前置可用性与效果评估； 3、与算法团队紧密协作，深度参与AI模型的效果调优与迭代，从用户视角定义模型输出的评估标准，持续打磨确保效果满足用户需求； 4、持续进行用户研究与市场行业分析，跟踪AI与穿搭/导购/电商等的行业和技术趋势，识别和挖掘在具体场景下的应用。