大模型推荐算法（交互式推荐）实习生 - TikTok算法

团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 1、推荐领域意图理解智能体的建模与训练：参与意图空间的定义与刻画、指令数据的合成与构造、评测基准的建设，并在继续预训练（CPT）、监督微调（SFT）、偏好对齐（RLHF）各环节承担实验设计与调优； 2、推荐链路可编程控制能力的建设与验证：一类是调参型控制，覆盖多样性、新鲜度、内容屏蔽、多目标强度、流量分配等维度，核心挑战是利用LLM把自然语言表达映射为链路可执行且用户可感知的配置和调节幅度；另一类是主动诉求与兴趣点的分发能力，包括LLM4Rec、主动兴趣分发、i2i相似推荐等； 3、端到端生成式推荐（LLM4Rec）的前沿探索：语义ID（Semantic ID）表征学习、语义ID与文本的双向对齐、「用户历史+当前指令」条件下的个性化生成、解码策略与在线推理方案，对齐并挑战业界最新范式； 4、评估体系与实验科学：搭建可复现的离线评测流程与自动化评估基准，围绕意图识别准确率、指令响应成功率、调节效果的可感知性与用户满意度做分析与归因，把结论沉淀为团队可复用的方法与工具； 5、前沿跟踪与落地转化：跟进LLM4Rec、生成式推荐、Agentic Recommendation等方向的最新工作，并在真实业务场景中完成有价值的复现与创新验证；表现优秀的课题有机会形成对外论文或专利产出。 【任职要求】 1、本科及以上学历在读，计算机科学、软件工程、人工智能、数学、统计学或相关专业； 2、扎实的编程基础与良好的编程习惯，掌握扎实的数据结构与算法知识，熟练使用Python； 3、在机器学习/深度学习方向具备系统的理论基础与实践经验，熟练使用至少一种主流深度学习框架（如PyTorch、TensorFlow），理解Transformer与大语言模型训练、推理的基本原理； 4、具备优秀的问题定义与拆解能力，能独立完成实验设计、执行与结论沉淀；对开放性、无既定答案的问题充满热情；沟通清晰，工作主动，责任心强，具备良好的团队协作能力； 5、每周到岗4天及以上，至少可连续实习3个月以上（6个月以上优先）。 有以下任一背景者优先考虑： 1、在NeurIPS、ICML、ICLR、KDD、SIGIR、WWW、WSDM、RecSys、ACL、AAAI等会议或期刊发表过论文，在ACM/机器学习类竞赛中获奖，或有大规模推荐系统、计算广告、搜索引擎等算法业务经验； 2、有推荐系统全链路的实际项目经验，理解召回、粗排、精排、重排、混排以及多样性与生态调控等环节； 3、有大语言模型端到端的训练经验，涵盖继续预训练、监督微调、偏好对齐（DPO/PPO/GRPO）中的一个或多个环节； 4、有Agent、Function Calling/Tool Use、多轮意图理解与对话状态管理的落地经验。