岗位职责

推荐系统中的Scaling Law研究：以Scaling为主线推进推荐系统范式升级，将大语言模型的前沿能力体系化引入工业级推荐。包括但不限于探索稀疏注意力、Resampler行为压缩等实现十万级长序列的高效建模与表征复用，沿Token Scaling、MoE、Decoder-only等技术范式推进模型Scaling目标向1B/3B/7B 级别演进等。
大模型Infra设计与优化：负责大模型背景下的Infra设计，包括分布式训练、模型压缩、低延迟推理、训练加速、线上部署、链路优化、计算复杂度优化等，面向工业级应用完成千亿级参数大模型的高效训练与部署
业务价值落地：面向数亿用户、百亿级行为数据的规模挑战，深度参与商品与内容分发算法的设计与优化，推动大模型技术规模化落地、驱动商业增长
结合以上方向的探索和研究，撰写技术报告或发表论文，和业界、学术界保持良好的交流，输出可复用的代码、文档与最佳实践。

职位要求

计算机科学、人工智能、自然语言处理、数据挖掘、机器学习等相关专业在读硕士或博士生，具备扎实的理论基础，有一定的科研能力，能够针对性的分析问题和解决问题；
熟悉多模态表征学习及搜广推召回/排序应用建模，有多模态预训练/SFT/应用实践经验者优先；
逻辑思维清晰，学习能力强，兼具务实与创新精神，对新事物保有好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；
熟练掌握Tensorflow、Pytorch等深度学习框架，具备扎实的编码能力，能独立实现和调试复杂算法；
在顶级计算机学术会议(SIGIR、SIGKDD、ICML、NIPS、WWW、AAAI、CIKM、ACL等)或期刊上发表过论文优先，算法竞赛获奖、开源项目贡献者等亮点经历者优先。