多模态多语言搜索算法研究-阿里星/Bravo Star

1.跨语言预训练对齐：基于 Agent 构建多语言语料样本挖掘链路，通过跨语言 Pre-training 与 Post-training 技术提升多语言相关性模型的准确率与召回率； 2.多意图品商混搜：基于大模型推理能力实现多意图识别，区分商品检索 / 供应商发现 / 制造能力评估等复合意图，设计与优化品商混合搜索召回与多目标排序； 3.稀疏样本建模：研究 Few-shot / Zero-shot Learning、合成数据增强、领域自适应迁移等，建立长尾品类与冷启供应商的表征学习范式； 4.多模态与深度搜索：研究图文联合检索与跨模态表征学习，探索 LLM + RL 驱动的复杂采购诉求渐进式拆解与多轮推理； 5.Agent 驱动的搜推自动化：基于 LLM Agent 构建搜推全链路自动化工作流，实现多语言样本自动化采集标注、内外站体验对比评测与 Bad Case 智能诊断； 6.前沿技术探索：跟踪 NLP / IR / Multimodal / LLM Agent 前沿，产出高水平论文与专利。 【任职要求】 1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索； 2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解； 3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用； 4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。