大模型驱动的内容生产与分发：IP跨体裁生成与LLM推荐-今日头条（北京/上海/杭州）

今日头条推荐算法团队，致力于为用户提供个性化新闻和信息推荐服务，提升头条产品的用户体验。我们的业务涉及内容的个性化分发、生态与质量治理、热点和垂类等多个方向。在这里，你可以研究和改进最前沿的推荐、大模型等算法，结合对产品、数据的深度分析，将技术应用到实际业务中，服务数亿用户。 课题介绍：番茄系聚合海量故事IP，今日头条拥有丰富内容形态，但生产与分发仍面临改编链路长、成本高，以及推荐过度依赖稀疏ID、对新内容/低活用户不友好等问题。本课题以多模态大模型为底座：在番茄通过LLM创作提效与结构化内容理解，构建IP资产并打通“小说→剧本→分镜→动态漫/短剧/音频”的生成与辅助创作；在小说、短剧、今日头条把内容理解信号融入推荐建模，提升兴趣捕捉与可解释分发，最终实现生产与分发协同提升。

1. 大模型推荐和推荐Agent：引入LLM的推理能力，以Seed为基础训练大模型执行推荐任务的能力，推荐Token和自然语言Token联合训练实现模态融合，让推荐系统具备理解自然语言的能力，从而用推荐Agent方式实现更具扩展性的分发交互体验
2. 突出强调利用大模型COT的推理能力，改进被动推荐效果
3. 遵循用户的正向、负向指令的能力，彻底解决用户反馈中“Dislike不生效”、新用户兴趣探索、用户调控推荐画风等难题
4. 在产品中提供和用户进行对话交互的能力，用户可根据自身需求调整推荐的效果
5. 消息推送系统中嵌入大模型的用户-内容推理匹配能力，追求在内容零展、低展的情况下精准、快速的推送给用户，实现极高的推送时效性
6. 构建基于大模型的推荐Agent能力，让大模型能和目前推荐系统业务策略和逻辑能更好的融合和调用。 课题挑战：
7. 跨体裁一致性与可控生成；
8. 结构化理解准确可复用；
9. 模型落地成本/时延/轻量化；
10. LLM与内容的对齐、解码方案探索，包括纯文本方案或基于SID的方案；
11. LLM推荐指令COT数据集构建和个性化推荐推理能力的训练方法探索；
12. 用户推荐正向、负向指令理解和线上执行能力探索；
13. 推荐系统能力模块化&工具化，推荐Agent设计。 课题价值：
14. 提效降本，提升IP产能与变现；
15. 增强推荐效果与可解释性；
16. 沉淀多模态通用底座；
17. 探索基于LLM推理能力的推荐范式。