京东多模态大模型广告创意分发算法研究
任职要求
1、 获得本科及以上学历，计算机科学、人工智能、数学等相关专业； 2、 精通多模态大模型底层架构及应用，具备大模型微调(SFT/RLHF等)的实战经验； 3、 深入理解并熟悉工业级推荐系统…
工作职责
1、 研发基于多模态大模型的个性化AIGC商品创意生成算法，精准识别用户营销风格偏好； 2、 构建实现“千人千面”的商品创意（图片/文本）动态生成与展示链路，实质性提升广告营销转化效率； 3、 探索大语言模型思维链(CoT)推理能力在生成式推荐(Generative Recommendation)场景中的前沿应用； 4、 重塑广告流量分发系统底层逻辑，研发具备高可解释性的分配与投放机制，兼容集团复杂业务调度。
1.参与商业化领域的多模态基础大模型的研发，包含领域数据挖掘、模型结构设计和训练机制优化等； 2.将商业化领域的多模态大模型应用于用户/内容/广告/商品理解、个性化内容生成、广告搜推等业务领域，提升业务效果； 3.跟踪前沿算法研究（如预训练、后训练、强化学习、持续学习、理解&生成统一模型、图像/视频生成等），在商业化场景进行技术验证与落地。
岗位课题： 1.基于多模态大模型的生成式推荐算法研究； 2.具备原生多模态能力与良好可拓展性的广告预估模型研究； 3.基于AI Agent的广告交互形式创新研究； 4.电商领域的图文、视频多模态内容理解与表征生成； 课题项目背景： 课题需要探索大模型、多模态大模型相关技术，如何帮助阿里妈妈的核心广告算法模型在预估性能、泛化能力、可拓展性等方面，取得代际突破；涉及到的技术难点，有大模型与广告模型的融合、LLM-based广告模型、电商域的多模态信息提取与预训练等方面。 相关技术突破，会应用到阿里妈妈展示广告的召回、预估模型当中，帮助广告模型更好地理解商品与用户，并更优的理解能力来做广告推荐，提升用户体验、投放效率与广告营收。 成长资源： 团队有丰富的算法研究经验、充足的GPU资源，能支持相关领域的算法探索、突破创新、论文发表；团队实际负责一线业务算法，能给T-Star Lab实习生一个很好的研究产出到实践落地的环境；团队曾引入多位往届头部同学，有充足的头部人才培养经验，同时有相关学术合作项目提供全方位资源支持。 岗位职责： 在这里，你将参与到使用大模型相关技术对阿里妈妈的核心广告算法模型、链路、业务的革新过程当中。通过探索大模型与经典广告模型的融合方案、万亿级参数模型的高效分布式训练、低延迟高吞吐要求的模型推理等方向，实现核心技术的代际突破，给海量用户、商家带来更好的购物与营销体验。以及有机会提前获得秋招直通T-Star的正式Offer。
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。 1、深度参与业界效果领先的生成模型Seedance/Seedream相关工作，理解模型Seed-VLM的软硬件协同优化和算法优化逻辑，构建业界领先的模型优化能力矩阵； 2、研发面向多端异构平台的量化&稀疏、MOE压缩、Token压缩、Cache复用、投机解码、KV Cache压缩等加速算法，构建Training-Free或结合Post-Training/RL-Training的加速算法能力； 3、面向分布式训练/推理场景，深度挖掘模型表示位宽、分辨率、步数、结构等维度的冗余，通过算法和工程创新加速训练和推理过程，实现降本增效； 4、探索Efficient AIGC、Efficient LLM领域最前沿的问题，包括多模态理解生成统一建模加速、结合RL训练的模型优化等方向。
1. 研发多模态商品理解模型，融合图像、文本、视频特征，优化跨模态特征对齐与检索算法； 2. 负责高质量多模态训练数据集构建，包含图像清洗、属性标注与图文匹配关系挖掘； 3. 探索多模态大模型在图像搜索领域的应用，提升模型在复杂商品数据上的泛化能力； 4. 设计多模态表征评测框架，集成自动化评估与人工审核机制，提升模型迭代效率； 5. 基于大语言模型（LLM）实现用户意图识别、生成式排序与重排及多目标优化； 6. 结合SFT、RLHF等技术实现生成式端到端推荐建模，持续优化搜推系统决策； 7. 利用奖励模型（Reward Model）与强化学习量化商业目标，构建长期生态价值体系； 8. 探索大模型推理机制，优化语义理解与认知能力，提升搜推系统的智能化水平。