蚂蚁金服蚂蚁集团-语言大模型应用算法-健康事业群

【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。

我们正在寻找对大语言模型（LLM）的应用落地、效果调优和系统效能提升充满热情的工程师。您将加入我们的核心研发团队，主要负责将先进的 LLM 技术转化为实际的业务价值，特别是在指令微调（SFT）、智能体（AI Agent）的设计与部署，以及应用基础设施（Infra）的优化。我们的目标是打造高效、可靠、智能的 LLM 应用解决方案，加速模型在人形机器人、自动驾驶、多模态等前沿领域的落地。 1. LLM 微调与应用落地：负责设计并执行 LLM 的指令微调（SFT）和对齐（如 RLHF/DPO）实验，以提升模型在特定应用场景（如代码生成、复杂推理、对话）的表现。主导模型效果的评估体系搭建和优化，确保模型输出的准确性、安全性和一致性。 2. 云端训练框架与效率优化：主导 LLM 微调（SFT/对齐）流程在云端环境下的效率优化，包括数据加载、多机通信、资源调度、框架稳定性等方面，确保 SFT 流程的高效、稳定和低成本运行。 3. 前沿应用技术追踪：紧密追踪 LLM 在 Agent 框架、长上下文处理、多模态交互等应用层面的最新研究与工程实践，并将其快速引入到产品线。 4. AI Agent 研发与部署：探索并实践基于 LLM 的 AI Agent（智能体） 框架，包括工具调用（Tool Use/Function Calling）、规划（Planning）、记忆（Memory）等核心模块的设计与实现。将开发的 Agent 系统集成到实际产品或业务流程中，提升自动化和智能决策能力。 5. 跨团队协作：与算法、数据和产品团队紧密合作，将模型优化成果快速产品化，并收集应用层的反馈来指导下一轮模型迭代。

我们正在寻找对大语言模型（LLM）的应用落地、效果调优和系统效能提升充满热情的工程师。您将加入我们的核心研发团队，主要负责将先进的 LLM 技术转化为实际的业务价值，特别是在指令微调（SFT）、智能体（AI Agent）的设计与部署，以及应用基础设施（Infra）的优化。我们的目标是打造高效、可靠、智能的 LLM 应用解决方案，加速模型在人形机器人、自动驾驶、多模态等前沿领域的落地。 1. LLM 微调与应用落地：负责设计并执行 LLM 的指令微调（SFT）和对齐（如 RLHF/DPO）实验，以提升模型在特定应用场景（如代码生成、复杂推理、对话）的表现。主导模型效果的评估体系搭建和优化，确保模型输出的准确性、安全性和一致性。 2. 云端训练框架与效率优化：主导 LLM 微调（SFT/对齐）流程在云端环境下的效率优化，包括数据加载、多机通信、资源调度、框架稳定性等方面，确保 SFT 流程的高效、稳定和低成本运行。 3. 前沿应用技术追踪：紧密追踪 LLM 在 Agent 框架、长上下文处理、多模态交互等应用层面的最新研究与工程实践，并将其快速引入到产品线。 4. AI Agent 研发与部署：探索并实践基于 LLM 的 AI Agent（智能体） 框架，包括工具调用（Tool Use/Function Calling）、规划（Planning）、记忆（Memory）等核心模块的设计与实现。将开发的 Agent 系统集成到实际产品或业务流程中，提升自动化和智能决策能力。 5. 跨团队协作：与算法、数据和产品团队紧密合作，将模型优化成果快速产品化，并收集应用层的反馈来指导下一轮模型迭代。