蚂蚁金服研究型实习生-基于LLM大模型的智能医疗搜索推荐系统研究与应用

大模型（LLMs）基于自然语言的数学推理无法保证过程准确，本项目主要是基于大模型的Lean语言数学证明系统研究，具体职责包括： 1.基于数学证明题目，开发Lean数据集的构建算法； 2.基于监督微调，强化学习等技术，开发基于LLM的Lean Prover训练测试算法； 3.研究和大模型 Lean Prover相关的前沿技术； 4.撰写论文，技术文档，以及维护代码库。

业务丰富，技术领先 高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 精英阵容，国际视野 团队成员来自泰晤士世界大学排名 Top 10 的高校，以及美国常青藤、清华、北大等顶尖院校，兼具国际化背景与一流技术视野。 持续成长，共享共进 团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 高德打车算法团队致力于用前沿AI技术重塑每一次打车体验。我们不是在做“推荐路线”，而是在理解用户为什么这样出行——他们偏爱哪条路？为何总在某个路口取消订单？哪些投诉背后藏着未被听见的需求？ 我们正在寻找对用户行为洞察和大模型落地充满热情的实习生，与我们一起，用AI读懂出行的“潜台词”，让平台更懂你。 在这里，你将： • 构建用户出行偏好画像 基于海量行程数据，利用大模型（LLM）挖掘用户在路线选择、上下车点偏好、出行时段等方面的隐性行为模式，构建个性化出行画像，驱动个性化推荐与服务预判。 • 挖掘路线与上下车点的“隐藏特性” 分析亿级路线片段与上下车点的时空特征，通过大模型语义理解与多源信息融合，提炼可量化、可解释的“路段 / POI 质量标签”，优化点线相关推荐服务的质量。 • 提升投诉反馈的智能响应与信息透出能力 构建基于大模型的客诉理解与归因系统，自动识别投诉核心诉求（如“绕路”“司机态度”“等太久”），关联具体路线/上下车点/时段，生成结构化反馈报告，推动产品优化与客服话术升级，实现“从听抱怨到改体验”的闭环。 • 推动大模型技术在真实场景中的闭环落地 应用RAG、SFT、DPO、AI Agent等技术，构建可解释、可追踪、可迭代的智能系统，让模型不只是“跑得准”，更能“说得清、改得动、用得好”。 你的工作将直接服务全国数亿用户，每一次模型优化，都可能让一位用户少等5分钟、多一份安心、少一次投诉。你不是在写代码，你是在重塑人与出行之间的信任关系。

研究领域： 深度学习 项目简介： 专病/慢性病（慢病）的管理是一个长期、复杂且费用高昂的过程，涉及到疾病的筛查、诊断和治疗管理。2024年9月央视网数据，我国慢性病发病率呈上升趋势，中国慢性病确诊人数为4亿。每年各种因素导致的近1030万死亡中，慢性病占比超80%。慢病管理的核心在于实现全生命周期、全病程的规范化、主动式管理。这通常包括患者入组、疾病评估、治疗方案制定、长期跟踪和随访等环节。例如，上海交通大学团队研发的全球首个面向糖尿病基层诊疗的视觉-大语言模型多模态集成智能系统DeepDR-LLM，能够基于患者个体的临床信息生成精准糖尿病管理意见。

1. 探索基于LLM的Query理解大模型，通过天猫的数据微调大模型生成ID表征向量，在搜索和推荐算法各模块进行深度的探索和应用。包括但不限于语义相关性、类目预测、召回排序等。 2. 探索生成式搜索技术（如Query扩展、结果摘要生成），助力搜索从“信息呈现”向“决策辅助”升级。 3. 结合业务需求，设计和扩展LLM的应用场景范围及规模，提高模型微调后再垂直领域的应用及专家模式的架构尝试。 4. 跟进业界前沿NLP、CV、大模型前沿技术趋势，开展前沿算法的研究工作，结合实际业务需求，将技术应用到实际业务场景。