岗位职责
- 负责穿山甲端到端（End-to-End）推荐架构的设计与落地。打破传统“召回-粗排-精排”多阶段拼接的系统瓶颈，探索统一的表征与对齐方案，完成端到端推荐模型对传统漏斗架构的全面升级与替换；
- 负责广告场景下的超大规模推荐模型（LRM），探索CTR/CVR基础⼤模型的多维度Scaling Law，包括⼴告模型的全域超⻓序列建模、模型参数量/计算量/样本量的全面Scaling Up，以及LLM/多模态⼤模型前沿技术与⼴告⼤模型的结合和应⽤，推进广告业务模型的范式升级；
- 设计并探索Scale上限更高、变现ROI更好的新型网络结构；紧跟行业前沿科研，应对千亿参数与海量并发带来的系统级挑战，联合工程团队优化大模型的训练吞吐与在线推理的算力利用率，持续突破变现效率天花板；
- 探索事件序列驱动的生成式推荐范式，将大语言模型（LLM）、多模态理解、强化学习与系统优化深度融合，完成生成式模型对传统推荐模型的替换落地。
职位要求
- 对端到端推荐、LRM技术有浓厚兴趣，紧跟行业前沿发展；有超大参数规模模型（Scaling Up）训练优化经验，或对生成式推荐（Generative Recommendation）有深入研究与实践者优先；
- 具有扎实的机器学习基础和编码能力，熟练掌握主要的算法和数据结构；
- 在国际会议发表论文者优先，包括但不限于KDD、SIGIR、RecSys、ACL、NeurIPS等；有推荐大模型相关论文者优先；
- 具备良好的沟通协作能力，能够与团队共同探索新技术，推动新技术在业务落地。
