通义研究型实习生-个性化大模型关键技术研究
任职要求
1. 有1篇及以上顶会论文，有开源项目经验者优先； 2. 或作为重要角色参与领域内有含金量的比赛并取得成绩（比如ACM）。
工作职责
1. 通过研究慢思考、multi-agent协作、大小模型协同等方法提升个性化Agent复杂任务拆解、tool调用、记忆等机制能力； 2. 通过RLHF等反馈增强技术，提升个性化大模型的风格化、复杂指令遵循等Alignment能力； 3. 研究个性化多模态对话、角色生成技术，提升多模态场景下的个性化理解和生成能力； 4. 研究多模态基础大模型基础技术，提升多模态细粒度理解、感知能力，解决多模态场景下的知识幻觉、多图in-context能力等。
1. 研究并探索大规模语言模型及多模态大模型在推荐系统可解释性生成中的应用，包括基于大模型的解释生成、用户意图理解与个性化解释优化； 2. 跟进并研发大模型的关键技术链路，包括SFT、RLHF等，提升解释内容的准确性、自然性与用户可接受度； 3. 构建推荐-解释联合建模框架，融合RAG、COT、Agent 推理等技术，实现动态、透明、可信的推荐决策过程； 4. 探索多模态大模型在推荐场景下的可解释性表达能力，支持跨模态解释生成与用户交互；结合工业级推荐场景（如电商），推动研究成果落地，并持续优化线上效果与用户体验； 5. 撰写高水平学术论文，和业界、学术界保持良好的交流。
随着大语言模型（如ChatGPT等）的广泛应用，各行业对个性化回复的需求日益增长。个性化回复不仅能提升用户体验，还能增强模型在特定领域的实用性和准确性，但个性化回复的实用性和效果仍存在优化空间。本课题旨在探讨如何利用大语言模型实现个性化回复，满足不同行业及用户的特定需求。通过对用户输入上下文和历史对话的深度分析，模型将能够生成更具针对性和相关性的回复，从而提高用户满意度和互动有效性，我们希望在大模型个性化回复的研究中解决以下技术问题： 1. 用户行为数据的挖掘与建模：研究如何有效地收集和分析用户的历史交互记录、偏好设置等信息，以实现更精准的个性化推荐和回复策略。 2. 多轮对话的上下文理解：提高模型在多轮对话中对于上下文信息的理解能力，确保模型能够根据先前的对话内容生成更连贯、相关的回应。 3. 情感分析与情感适应：探索如何利用情感识别技术，使模型能够根据用户的情绪状态调整回复的语气和内容，以提升用户的满意度和对话的自然性。 4. 实时反馈机制：研究如何快速获取用户对模型回复的反馈，并将其融入模型的学习过程中，从而在交互中不断优化个性化表现。 5. 多模态的能力：扩展模型的感知方式，在文本模态的基础上，支持图像、音频等多种模态，从跨模态数据中抽取用户的兴趣，提升用户体验。
研究领域： 推荐系统 项目简介： 当前医疗信息搜索推荐服务面临三大核心挑战：1）搜索结果与用户真实需求匹配度低（准确性不足）；2）推荐内容缺乏个性化适配（未考虑用户病史、症状特征等个体差异）；3）医疗信息可信度验证机制缺失（存在误导风险）。本项目将融合大规模预训练语言模型、动态知识图谱和医学循证规则，重点突破以下方向： 研究医疗领域大模型精准语义理解与意图识别技术 构建多维度用户画像与个性化推荐算法体系 开发基于医学循证的可信度验证与风险预警机制
研究领域： 人工智能 项目简介： 在医疗领域，基于大模型的医学诊疗规划和决策一直面临着医学推理能力弱（医学事实性不足）、依据不足（可信性不足）、精准个性化不够（指导性不足，存在过度医疗的伦理风险）等问题。我们旨在结合先进的大推理模型、海量的医疗数据和专业医学专家的知识，依次完成以下研究和落地： 1. 研究大模型推理理论，建设一批高水平专家 AI 诊断推理智能体。 2. 研究复杂多智能体交互协同框架。 3. 落地面向下一代的自我进化的精准诊疗规划和可信医疗决策系统。