北京推荐算法
推荐算法是一种用于预测用户偏好和推荐物品的算法。它们可用于各种应用，如电子商务网站、社交媒体平台和音乐流媒体服务，以帮助用户发现他们可能感兴趣的内容。推荐算法使用各种技术，包括协同过滤、内容过滤和深度学习，以分析用户与物品之间的关系，并为用户生成个性化的推荐结果。这些算法需要大量的用户数据，以便更好地理解用户的兴趣和行为模式。推荐算法的目标是提供用户满意度高且符合其个人需求的推荐结果，从而促进用户参与和购买行为。在现代互联网时代，推荐算法已成为许多在线平台的重要组成部分。
薪酬概览
平均月薪
¥59000
中位数 ¥50000 ｜ 区间 ¥47000 - ¥71000
数据来源：谈职全网15份招聘数据；更新时间：2026年7月13日
月薪分布
93.3% 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
11月新增岗位
90
对比上月：岗位减少0
数据由各大平台公开数据统计分析而来，仅供参考。
抱歉，岗位需求趋势暂无数据
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 | 18 | 20% |
| 5-10年 | 48 | 53.3% |
| 不限经验 | 24 | 26.7% |
热招职位
1.负责火龙漫剧/视频业务的推荐与搜索技术研发（包含但不限于传统搜推、LLM4Rec、AI搜索、生成式推荐等），提升用户体验，用户消费与时长，用户转化与留存等核心业务指标；
2.根据场景特点和产品定位，对全链路算法体系进行深度理解与优化，持续优化推荐/推荐算法；
3.结合大模型技术，升级推荐技术，提升推荐效果，解决实际业务问题；
4.紧跟学术界、工业界的前沿技术，结合实际的业务场景进行算法开发、落地，实现团队技术和业务的共同发展。
1.负责腾讯视频业务的推荐与搜索技术研发（包含但不限于传统搜推、LLM4Rec、AI搜索、生成式推荐等），提升用户体验，用户消费与时长，用户转化与留存等核心业务指标；
2.根据场景特点和产品定位，对全链路算法体系进行深度理解与优化，持续优化推荐/推荐算法；
3.结合大模型技术，升级推荐技术，提升推荐效果，解决实际业务问题；
4.紧跟学术界、工业界的前沿技术，结合实际的业务场景进行算法开发、落地，实现团队技术和业务的共同发展。
1、自主移动机器人(AMR)及多关节机械臂等机器人运动学控制算法开发，包括关节空间、笛卡尔空间的轨迹规划及插补，轨迹过渡，前馈控制，反馈控制，力控算法等；
2、机器人动力学建模及算法开发；
3、搭建Gazebo/Isaac Sim仿真环境，完成算法验证、嵌入式平台（如NVIDIA Jetson）部署与实机调试闭环。
4、开发机器人运动轨迹生成算法，优化机器人在不同场景下的行为决策，包括不同环境下局部避障等策略；
5、机器人规控算法的软件实现、配合整机联合调试，解决决策和运动规划工程问题；
6、编写测试文档。
岗位概述：
我们是自动驾驶系统评测团队，旨在以先进数据驱动迭代范式搭建仿真与实车统一量化评测系统，驱动端到端自动驾驶模型迭代与产品标准化
工作职责：
1、设计与开发自动驾驶端到端模型评测指标，量化评估模型在全场景、多任务下的性能表现
2、以数据驱动的方式优化评测算法的精度和性能，提升其准确性与泛化性
3、参与构建评测数据闭环，建立可复现的评测迭代体系与回归方法
4、与算法研发团队紧密合作，参与模型迭代过程中的问题定位、指标设计与质量闭环推进
1.结合智能座舱场景需求，负责大模型智能体相关的基础性和应用性算法开发与调优，包括根据座舱交互任务定义，构造适配的数据，进行SFT、RLHF等算法设计开发。
2.Agent场景下模型能力提升，优化模型对指令的遵循能力，包括但不限于人物设定、输出格式、工作流程等，以及复杂场景下多工具联合调用能力，提升模型对复杂任务的规划、分解、反思能力，优化模型在座舱环境下的语音交互、场景感知等专用领域的表现，确保良好的用户体验。
3.针对座舱场景下用户的各种行为动作，结合RAG等技术，构建智能体长短期记忆框架，包括但不限于记忆的离线加工、存储、在线提取等环节
4.搭建面向汽车智能座舱场景的Agent框架，提升Agent系统稳定性和可靠性
5.密切追踪Agent领域发展趋势，积极引入先进的理念和技术，保持技术的领先性
【课题说明】信息流广告系统一般采用“召回->粗排->精排->出价->拍卖”的多级漏斗架构，但各模块独立优化导致优化目标不一致，前链路会制约后链路上限，漏斗效率折损大。近年来，随着大模型和生成式技术的快速发展，其强大的表征能力和良好的Scaling性质也为广告系统提供了新的可能性。本研究旨在探索如何利用生成式技术重塑整个广告系统，通过一个端到端的生成式广告大模型完成所有决策，打破多级漏斗框架，打开模型决策空间，最大化平台收益。【建议研究方向】1.生成式广告大模型架构设计：基于前沿大模型（如时空Transformer、MLA、MoE等），设计适配广告场景的生成式决策框架，支持根据“用户行为、实时位置、商户出价”端到端生成最优的广告商家、展示创意、相应计费。
2.多阶段的训练范式设计：借鉴LLM的分阶段训练技术（如PT、SFT、RLHF等），设计“基于海量交互的 pre-training 和 基于业务目标的 post-training ”的分阶段训练范式，提升广告大模型效果。
3.广告大模型的Scaling规律探索：探索广告场景下，生成式大模型“算力->效果”的转化规律，驱动推广搜迭代范式实现由“人工设计迭代”到“算力堆叠迭代”的跃迁。
1、参与智能驾驶场景下的地图系统研发与优化，包括不限于AVP、记忆泊车及车位到车位等场景，重点解决地下停车场特有的无GNSS、弱纹理、重复结构、镜面/立柱干扰、剧烈光照变化、多楼层衔接等问题，持续提升众源地图构建与更新系统在几何精度、拓扑正确性及稳定性上的表现。
2、跟踪建图定位领域的前沿技术（SOTA），协助探索新方案在实车场景中的落地可行性，方向包括但不限于：神经隐式表征/3DGS建图、无图/轻地图范式下的语义建图与重定位等，解决行业长尾问题。
1. 自然语言处理、机器学习、人工智能、计算机、电子与通信等相关专业的硕士生/博士生；
2. 熟悉LLM的基本原理和相关算法，具备良好的逻辑分析能力和数理基础，在顶会（如NeurIPS、ICLR、ICML等）或期刊上有论文发表者优先；
3. 熟练掌握Pytorch等深度学习框架，扎实的编程基础，具备独立的算法实现能力；
4. 参加过ACM/ICPC、CCPC、NOI等算法竞赛获奖者优先。
5. 学习能力强，对新事物有好奇心，对所在领域有热情，善于独立思考并反思总结；良好的沟通能力和团队协同能力。
1. 跟踪业界主流大模型技术演进，结合业务场景进行模型选型与定制化设计；
2. 负责大语言模型/多模态大模型的预训练、指令微调、强化学习等全流程训练工作；
3. 实现大模型在生产环境的高效部署，包括模型量化、剪枝、蒸馏、KV Cache优化等技术；
4. 基于线上反馈与业务指标（如准确率、响应速度、用户满意度等）持续优化模型性能；
5.与产品、工程、数据团队紧密合作，推动大模型技术在实际业务场景中的规模化应用。
1.数据采集与融合建模
参与工业场景多源异构数据接入与预处理，构建多模态特征融合框架，包括时序数据、图像数据、物理空间信息；
2.工业智能分析算法实现与调优，负责算法单元测试与性能测试；
3.进行系统级数据对接与闭环控制，通过工业控制协议实现优化算法在生产侧的部署应用，改善通信延迟与指令响应时间；
4. 模型部署与系统集成支持
将算法模块封装为标准化API，配合团队接入生产管控系统，支持实时推理与结果可视化；参与模型性能优化（推理延迟、准确率），确保满足产线秒级响应要求；
5. 技术沉淀与文档输出
撰写算法方案设计文档、实验报告、模型训练与部署手册；配合工艺工程师完成算法效果验证，持续迭代优化。
探索自动驾驶多模态大模型的基础模型架构和训练范式，深度参与模型版本迭代，基于数据闭环提升VLM的时空理解能力，基于3DGS/世界模型等技术构建大规模强化学习闭环训练框架，提升数据效率、训练效率、稳定性、场景泛化性，推动VLM和强化学习在物理世界的落地应用。
1、研发和优化基于深度学习、计算机视觉的目标检测、分割、识别与预测算法（如车道线、交通标志、红绿灯、路沿、动态障碍物、轨迹预测等）。
2、设计多传感器（摄像头、激光雷达、毫米波雷达等）融合的环境感知方案，提升系统的稳定性和精度。
3、构建大规模场景数据集，设计数据挖掘与标注策略，优化模型训练 pipeline。
4、针对实际场景中的长尾问题（如极端天气、遮挡、低光照等）进行算法优化与创新。
5、将算法部署到车载计算平台（如 NVIDIA、地平线等），实现高性能实时推理。