【实习】广告场景下的生成式搜广推大模型技术研究-Recommendation AI Lab（北京/上海/杭州）

团队介绍：Recommendation AI Lab (RAIL) 隶属于Global Monetization Product and Technology（国际商业化产品技术，简称 GMPT），是致力于突破推荐算法理论与工程边界的前沿研究实验室。依托国际化短视频产品的指数级真实场景数据，RAIL站在了世界级推荐系统的前沿。推荐系统是商业化变现的核心引擎之一，在大语言模型（LLM）与生成式AI技术的爆发式演进中，RAIL的使命是在这场变革中处于引领位置，研究并探索下一代推荐算法范式。 课题介绍： 本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。 我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。 课题挑战： 1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型； 2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了； 3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。 课题价值： 突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。 【任职要求】 1、2027届及以后毕业，博士在读，人工智能、计算机、自然语言处理、计算机视觉等相关专业优先； 2、熟悉C++和Python，有扎实的编程基础、良好的编程风格和工作习惯，有大规模数据挖掘、分布式计算经验，熟悉Hadoop、Spark框架等优先； 3、较好的机器学习/深度学习理论和实践经验，熟悉深度学习算法，发表过KDD、AAAI、CIKM、WWW、RecSys、NeurIPS、ACL、EMNLP等顶会论文优先，或在Kaggle/ACM等赛事中获得优异名次，熟悉TensorFlow/PyTorch框架和原理； 4、熟悉搜广推算法、大语言模型、多模态大模型、深度学习、强化学习等相关领域，具备良好的工程意识，能结合工程优化设计并落地大模型方案； 5、工作态度积极主动，有强烈的主人翁意识和良好的团队协作精神，具有优秀的分析和解决问题的能力，逻辑清晰，具有严谨科学的实验习惯。