薪酬概览
平均月薪
¥50800
中位数 ¥0 ｜ 区间 ¥38300 - ¥63300
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
83.3% 人群薪酬落在 >30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
8月新增岗位
23
对比上月：岗位新增18
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 3-5年 | 11 | 52.4% |
| 5-10年 | 7 | 33.3% |
| 不限经验 | 3 | 14.3% |
热招职位
淘宝闪购-高级AI算法专家（生成式营销/运筹优化方向）-北京
团队介绍：我们是淘宝闪购-营销算法团队。
我们的使命：致力于打造满足用户对即时生活不断需求的技术引擎，实现用户、商家、平台的三方收益最大化。
我们的技术：以营销定价、运筹优化、用户价值预测为基座，融合多场景建模、时序预测、多目标预估等核心技术，构建技术驱动、人机协同的智能营销基础设施。
我们的文化：始终秉持持续成长、自我革新的价值观。在这里，你将有机会挑战近场零售最复杂的算法场景，与一群优秀的伙伴共同打造未来的智能营销平台。
岗位职责：
1、负责淘宝闪购营销场景下生成式算法体系的建设，包括但不限于营销定价、补贴策略、券包发放等运筹优化问题的建模与求解，覆盖千万级DAU的个性化营销场景。
2、主导生成式营销全链路算法开发，包括端到端营销决策生成、强化学习奖励系统设计等创新模块，显著提升营销ROI与订单转化效率。
3、构建多模态用户行为建模系统，融合短期实时行为与长期价值预估，打造具备因果推断能力的用户营销敏感度建模体系。
4、探索生成式技术在动态定价方面的应用，开发层次化编码与序列生成技术，解决复杂约束下的组合优化难题。
1、负责美团食杂零售预测、供应链算法研发与建设，支持小象超市、快乐猴超市、快驴进货、Keemart等多个业态的供应链智能化运营。
2、综合运用深度学习、运筹优化、大模型等前沿技术，针对供应链全链路复杂场景（包括但不限于需求预测、库存优化、履约调度、时效预测等）构建算法方案，持续提升供应链的智能化和自动化水平，提升效率、降低成本、优化用户体验。
3、在运筹优化、机器学习/深度学习、大模型应用等算法领域持续探索与创新，沉淀通用算法能力，推进算法平台化建设，提升研发效率。
4、深入理解零售、供应链业务逻辑和运营模式，与业务、产品、工程、数据等团队紧密协同，完成从业务问题到算法问题的抽象与定义，设计指标体系，进行算法技术选型和方案设计实现，推动落地应用。
5、参与项目管理、团队建设，通过Code Review、技术分享、技术方案评审等方式，提升团队整体算法与工程能力，营造良好的技术氛围。
1、计算机、人工智能、自动化、电子信息、数学等相关专业，硕士及以上学历；具备突出研究成果或丰富工程经验者可放宽学历要求；
2、具备 5 年及以上多模态大模型、语音大模型、视觉语言模型或具身智能相关研发经验，主导或深度负责过模型研发、训练或部署落地中的关键环节；具备突出研究成果或同等能力者可适当放宽年限要求；
3、深入理解 Transformer、LLM、VLM、语音大模型及多模态生成模型原理，对模型规模扩展规律、数据工程、后训练方法和效果评估有系统认知；
4、在跨模态对齐、流式音视频建模、端到端语音交互、大规模训练与后训练、智能体规划或推理优化中的至少一个方向具备深入积累和可验证成果；
5、熟练掌握 Python、PyTorch，熟悉 C++ 及主流分布式训练框架，具备性能分析和复杂工程问题定位能力；
6、算法工程师方向重点考察大规模训练、系统工程、性能优化及真实场景落地能力；研究员方向重点考察原创算法、研究深度以及论文、专利或开源成果；
7、具备较强的技术前瞻性、架构设计能力和结果意识，能够独立定义复杂问题、推动跨团队协作并对关键项目交付负责。
加分项
- 具备大规模多模态模型分布式训练、数据治理、训练稳定性优化或完整后训练经验；
- 熟悉实时音视频、低时延流式交互、机器人智能体或真实物理世界多模态应用；
- 具备端侧部署、模型压缩、异构计算优化经验，或有代表性的论文、开源项目及专利成果。
我们的技术团队，
致力于为阿里业务提供高效、稳定的AI基础设施，算法工程基于对算法、引擎和高性能算力资源的理解，为超大规模的分布式训练/推理等AI业务提速、降本，协同AI引擎、调度系统、高性能网络及异构硬件的co-design，突破LLM/AIGC等机器学习任务的算力和性能瓶颈; 为阿里大模型业务的迭代、落地提供高效率的算力底座，系统性评测AI算法的效率和性能热点，准确评估算法在计算、存储、网络通信及I/O方面的资源需求及演进趋势，探索优化加速方案并系统化落地，万卡规模高性能数据中心的AIOps智能运维，自动化诊断和规避软硬件故障，支撑算法稳定迭代，开源AI框架、自研AI芯片平台的适配和性能调优；
与该领域密切相关的技术方向：AI infra, GPU资源调度，高性能RDMA网络，大模型训练/部署，软硬件联合优化，算法性能评测/调优，aiops/chatops。
我们的技术团队，
致力于深度学习从特征计算到训练及预估引擎端到端的平台建设(XDL)，包括当前重点发展的图表征学习，正在定义大数据AI技术的未来；以广告/推荐/搜索引擎平台支持包括淘宝、天猫、菜鸟、优酷乃至海外电商在内整个集团的推荐与搜索的业务，也支撑集团的商业营销平台阿里妈妈，同时也通过阿里云对外部客户提供相应的搜索和推荐产品，我们支持各种深度学习网络的灵活拆分，支持超TB的模型，驱动异构计算和实时计算的发展，不断追求效率的极致，更重要的是，我们还拥有多项领先的算法技术，是阿里巴巴技术驱动商业变革的核心引擎。
与该领域密切相关的技术方向：统一的索引/图/模型存储召回/排序/预测的图化执行/在线图计算/路径索引与检索/在线引擎Serverless/图表征学习与向量匹配/全链路算法迭代平台/DL特征计算与建模框架/DL训练与预测加速/端上智能/结构化搜索/图像搜索/搜索与推荐云服务。
当前，我们正处在大模型从Chat Bot进化为自主智能体（Agent）的关键阶段。Agent 已深度融入代码生产、办公、搜索等场高价值景，其核心能力从单轮对话拓展到复杂任务规划、工具编排、长程记忆与多步推理。如何系统、科学地衡量这些前沿能力，已成为决定大模型能力天花板的核心挑战。我们诚邀对 Agent 评测有信念感的你，一同定义下一代 Agent 能力的标尺。本岗位涉及的具体方向包括：
1.构建 Agent 全维度评测体系：设计横跨感知-规划-执行-反思完整闭环的评测维度框架，重点覆盖代码、办公、搜索等高价值场景。
2.面向真实用户体验的评测方案建设：当前许多Agent应用领域出现了Benchmark指标相对饱和，无法准确链接真实用户使用体验等问题，我们希望从用户实际使用场景出发，构建高度拟真的交互式评测方案，设计体现用户使用体验的评测指标，对齐训练优化方向与提升用户体验的目标。
3.基于线上回流日志的模型问题分析与评测验收：利用线上真实交互日志，系统化挖掘 Agent 在复杂链路中的典型失效模式，如工具幻觉、目标偏离等。将发现的 Badcase 自动归因并转化为可复现的回归测试用例，建立基于回流问题的评测看板，以数据驱动方式量化模型版本迭代的真实收益。
4.探索下一代评测范式：研究人-智能体协同评估、自进化能力评估、Agentic Evaluation、Auto Research等前沿课题，推动评测范式和模型优化范式演进，产出高水平技术报告与顶会论文。
【为什么是我们】1.美团拥有世界级的业务难题，从POC到大规模场景，充满机遇与挑战，兼顾学习和成长。
2.业界前列的NV GPU和非GPU算力规模，协同算法，AI框架，网络，计算，芯片等多个团队共同建设大模型软、硬件技术底座。
3.团队拥有同行TOP级别的评测基础能力和相应资源投入，在大模型评测研究领域具备国内领先的竞争力，团队近年产出了PRDBench、AMemGym、CATArena等数十篇高质量论文及研究工作。
1.负责美团骑行资产管理核心业务中的关键算法链路设计与落地，包括但不限于基于图像识别与多模态大模型的车辆故障识别、资产全生命周期预测、故障智能派单与调度优化等。
2.构建骑行资产智能感知与决策算法体系，综合运用机器学习、深度学习、多模态大模型及运筹优化技术，提升故障识别准确率与资产运营效率，驱动资产利用率提升与运维成本优化。
3.与资产运营、硬件、产品团队紧密协作，从海量车辆物联数据、运维工单数据与用户报障数据中抽象问题并进行建模优化，推动从故障感知、诊断预测到工单调度的全链路解决方案落地。
4.结合多模态大模型、计算机视觉等前沿技术与业界实践，解决骑行资产管理中的"识别、履约、审核"核心难题：车辆故障的精准识别与分级、资产健康度与剩余寿命预测、故障工单的最优派发路径规划；探索并推动大模型在故障诊断推理、运维策略生成等场景的应用落地，提升研发与运营效率。
5.负责核心算法模块的技术方案设计与代码落地，持续跟踪前沿技术进展，推动技术迭代与业务指标提升。
1.负责集团各业务场景中风控治理的算法研究，包括但不限于欺诈治理、作弊治理、生态治理等。从复杂的业务流程中发现问题并进行问题抽象，设计高质量的应对方案，保证方案落地。
2.使用tensorflow、python、机器学习平台等各类工具开发并部署风控算法模型，进行反欺诈团伙挖掘、识别各类欺诈行为，搭建欺诈服务监控系统
3.开展集团内各类数据的特征研发工作，形成知识库。进行行为序列特征、图关系特征、多模态特征的开发和验证。
4.优化现有模型效果，并对模型架构进行系统化升级，建设自上而下的风控治理体系，丰富风控治理层次，推动应用落地。
5.紧跟行业的最新研究进展，关注前沿技术动态，进行相应的工程开发和业务落地。关注大模型、agent的发展趋势以及对安全的影响及应对。
任职要求：
1、计算机、数学统计等专业本科及以上学历，研究生学历优先
2、熟悉linux环境，熟练使用sql进行数据分析和处理，精通python开发、tensorflow开发。
3、3年以上机器学习相关工作经验，扎实的算法基础和工程能力。在用户画像、行为序列挖掘、图关系、反欺诈、反作弊等一个或多个领域有1年以上相关经验，熟悉各类算法原理和性能调优，有实际项目落地。
4、良好的沟通能力和团队协作能力，数据驱动，有较强的责任心和进取心。优秀的学习能力，能根据工作需要灵活调整自己的方式方法。
工作职责：
1.负责集团各业务场景中风控治理的算法研究，包括但不限于欺诈治理、作弊治理、生态治理等。从复杂的业务流程中发现问题并进行问题抽象，设计高质量的应对方案，保证方案落地。
2.使用tensorflow、python、机器学习平台等各类工具开发并部署风控算法模型，进行反欺诈团伙挖掘、识别各类欺诈行为，搭建欺诈服务监控系统
3.开展集团内各类数据的特征研发工作，形成知识库。进行行为序列特征、图关系特征、多模态特征的开发和验证。
4.优化现有模型效果，并对模型架构进行系统化升级，建设自上而下的风控治理体系，丰富风控治理层次，推动应用落地。
5.紧跟行业的最新研究进展，关注前沿技术动态，进行相应的工程开发和业务落地。关注大模型、agent的发展趋势以及对安全的影响及应对。
任职要求：
1、计算机、数学统计等专业本科及以上学历，研究生学历优先
2、熟悉linux环境，熟练使用sql进行数据分析和处理，精通python开发、tensorflow开发。
3、3年以上机器学习相关工作经验，扎实的算法基础和工程能力。在用户画像、行为序列挖掘、图关系、反欺诈、反作弊等一个或多个领域有1年以上相关经验，熟悉各类算法原理和性能调优，有实际项目落地。
4、良好的沟通能力和团队协作能力，数据驱动，有较强的责任心和进取心。优秀的学习能力，能根据工作需要灵活调整自己的方式方法。
1.负责面向自动驾驶极端场景下多模态大模型系统的算法研发与优化
2.负责面向自动驾驶图像质量评估相关算法的研发与优化
3.深度参与数据闭环、模型训练和部署、场景泛化性提升
1、27届-28届毕业，计算机、自动化、机器人、控制、人工智能等相关专业，硕博优先；
2、具备扎实的强化学习基础，熟悉 PPO、SAC、DQN 等经典算法，理解 offline RL、model-based RL、hierarchical RL、safe RL 或 preference learning 之一；
3、有 MuJoCo、Isaac Gym、CARLA、MetaDrive 或其他仿真平台经验，能够独立搭建训练、评测与回放分析流程；
4、具备多模态大模型与 RL 结合的研究或项目经验，理解 VLM/VLA 如何参与状态表征、决策规划与动作生成；
5、熟练掌握 Python / C++，有 ROS、自动驾驶中间件、机器人控制栈或部署优化经验者优先；
6、熟悉 Agent Native 相关能力者优先，包括：
*tool use / environment interaction；
*world model + policy 联合优化；
*verifier / critic / self-reflection 机制；
*长时任务中的 memory、trajectory management 与 error recovery；
7、具备评测与工程意识，能够从算法指标走到系统指标，理解 task success、safety、latency、cost、stability 之间的 trade-off；
有以下经历加分：
*真实机器人/车端验证经验；
*sim2real 迁移、domain randomization、safety constraint 经验；
*多 agent 协同或 planner-policy 分层系统经验；
*端侧部署、推理加速、实时系统优化经验。
1. 计算机、人工智能、自动化、电子工程、数学等相关专业，硕士及以上学历。
2. 扎实的机器学习、深度学习基础，熟悉 Transformer、LLM/VLM 等主流模型。
3. 了解多模态大模型、预训练/后训练、强化学习、模型压缩或端侧部署等相关方向者优先。
4. 具有良好的编程能力、学习能力和团队协作能力，对大模型技术充满热情。
5. 在顶会论文、开源项目、算法竞赛或科研项目中有相关成果者优先。
1.计算机、人工智能、电子信息、数学等相关专业本科及以上学历，硕士/博士优先。
2.熟悉 Transformer、大语言模型、多模态大模型或对话系统相关技术，具备基座模型研发经验者优先。
3.熟悉大规模预训练、SFT、RLHF/RLAIF、DPO、PPO、GRPO 等训练或对齐方法中的一种或多种。
4.具备大规模分布式训练经验，了解混合精度训练、数据并行、模型并行、DeepSpeed、Megatron-LM、FSDP 等技术者优先。
5.具备多语言模型、机器翻译、跨语言表示学习、语音语言模型或多语言对话系统经验者优先。
6.具备良好的论文阅读、问题分析、实验设计和工程实现能力，能够独立推动算法方案从调研到落地。