岗位职责
- 负责推荐场景下的基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力，推动推荐向Foundation Model范式演进；
- 突破传统“召回-排序”的漏斗式架构，探索并落地结合多模态的生成式召回技术；
- 研发端到端的推荐模型，探索将召回、精排等多个模块统一在一个大模型框架内，构建高效的下一代推荐链路；
- 针对推荐系统中的多维收益（时长、互动、留存等），设计适用于大模型体系的多目标优化方案，实现多场景下的收益最大化。
职位要求
- 计算机、数学、统计学及相关专业本科学历及以上；在推荐系统、自然语言处理、计算机视觉或机器学习领域有扎实的理论基础和丰富的实战经验；
- 具备优秀的编码能力，精通Python/C++，熟悉Linux开发环境；熟练掌握PyTorch或TensorFlow等至少一种深度学习框架；
- 解业内主流的推荐/广告/搜索算法，对CTR/CVR预估、多目标学习、序列建模、强化学习或图神经网络有深入理解和工业界落地经验；
- 具备较强的数据敏锐度和业务洞察力，能从复杂的业务场景中抽象出清晰的算法问题；自我驱动，具备优秀的沟通协作能力，敢于挑战技术难题。 加分项
- 有预训练模型（如Transformer、BERT、LLaMA、GPT等）的训练、微调（SFT、RLHF）经验；有Generative Agents、多模态大模型在推荐领域应用经验；
- 有多任务学习、联邦学习、跨域推荐等实际业务优化经验，主导过矩阵产品流量分发。
