北京机器人算法工程师

负责围绕AI大模型算法的认知分析的研究工作，具体工作内容包括但不限于：
1. 深入理解大规模语言模型的模型结构、训练过程以及评测方式，根据模型的训练过程以及评测结果，对大语言模型存在的问题进行研究。
2. 深度参与通用生产力在claude code/OpenClaw等场景下的基座模型能力优化迭代，设计具有长路径、多步骤交互特征的评测任务集，实现从“单次问答”到“闭环任务”的评测转型。
3. 探索长周期下Agent在复杂任务的能力边界，涵盖工具调用、决策规划和记忆管理等方向，对前沿评测范式如基于沙盒环境的动态评测和多agent协同效率等进行深入研究.

北京三快科技有限公司

【愿景】广告系统目前正站在从多级漏斗到端到端大模型的范式跃迁起点，传统的多级漏斗架构（召回→粗排→精排→混排）因各阶段目标割裂、信息截断，存在系统性效率损耗。随着 LLM 表征能力与 Scaling 特性日趋成熟，以端到端生成式模型统一广告全链路决策已成为行业的核心探索方向。本岗位面向美团广告 OneModel 方向，核心任务是研究并落地端到端广告大模型，以统一大模型完成从用户行为信号到最终展示序列的全链路决策，最大化用户体验和平台收益。【你将参与】1.端到端广告大模型架构设计。基于 Causal Transformer、MLA、MoE 等架构技术，设计突破多级漏斗限制的端到端广告决策框架，支持融合用户行为序列与实时上下文、直接输出具备位置价值感知的展示序列；探索 Semantic ID、动态候选索引等广告生成式检索关键技术。
2.广告场景多阶段训练范。结合广告数据稀疏特性，设计"海量用户交互 pre-training + 多目标商业价值 post-training"的分阶段训练体系；研究适配广告约束的 RLHF/价值对齐方法，在用户体验与平台收益之间建立可持续的优化路径。
3.广告场景 Scaling Law 研究。探索广告场景下"参数量/数据规模/训练算力 → 业务效果"的转化规律；研究 inference-time scaling、process reward model 等推理阶段增效方向，推动团队迭代范式从人工特征设计向算力驱动跃迁。

北京三快科技有限公司

【愿景】美团搜索服务日均处理数亿次查询，我们正在经历从“统计匹配”向“认知推理”的 Search
3.0 跨越。你将不仅是算法的优化者，更是搜索基座和业务应用的构建者（Builder）。通过构建高泛化、可扩展的算法基座，支撑医药、闪购等多元业务线的智能化升级，定义下一代生活服务搜索的本质规律。【你将参与】你将直接优化影响数亿用户的核心搜索链路，用大模型技术解决搜索的关键瓶颈。
1.意图理解基座：超越传统的分类与匹配，利用 LLM 构建具备认知能力的意图基座，深度解构口语化、省略表达及多意图混合等复杂场景。探索 Query 的语义改写、扩展与纠错技术，将非结构的“人话”精准转化为结构化的搜索逻辑，实现对用户深层需求的本质洞察。
2.排序预估基座：推动排序模型的 Scaling Up，探索大参数量模型在 Relevance 判断与 Ranking 中的性能边界，提升对复杂 Query-POI 关系的建模深度。负责 LLM-based Reranking、特征增强及神经符号 AI 的结合，利用 Scaling Law 提升排序逻辑的泛化性与预估精度。
3.生成式召回基座：构建基于大模型的语义表示学习体系，突破长尾 Query 与 POI 的匹配瓶颈。优化向量召回与混合召回策略，在海量候选集中精准平衡相关性、多样性与发现感，实现“所想即所得”。
4.引导增长基座： 研发下一代搜索引导与推荐算法，通过生成式技术优化搜索前/中的用户路径，提升用户发现价值的效率。探索搜索与推荐的深度融合，利用 AI Agent 能力引导用户决策，实现业务增长与用户体验的协同进化。
5.跨业务 Builder 型组织建设：作为 Builder，构建跨业务（餐饮、医药、即时零售、服务零售、酒旅等）的通用算法框架，确保技术底座能够快速适配不同垂直场景的特性。在毫秒级延迟的严苛约束下，主导大模型在线 Serving 优化，通过蒸馏、量化、缓存等手段实现效果与性能的极致平衡。

北京三快科技有限公司

【愿景】美团推荐系统日均处理数十亿次请求，是国内规模最大、场景最复杂的本地生活推荐引擎之一。当 Scaling Law 在语言模型上的成功已被充分验证，推荐系统正站在同等量级的范式跃迁临界点——我们已经落地了MTGR等具有影响力的推荐大模型成果；我们正在做的，是让推荐系统进一步进化，构建下一代生成式Agentic推荐系统。【你将参与】1.生成式推荐建模：探索具有 Scale Up 属性的端到端生成式推荐架构，突破传统判别式模型的效果天花板，对用户行为序列进行深度建模，全方位挖掘用户兴趣。
2.算法与工程协同：通过算法与系统的协同设计显著提升推荐链路 MFU 水平，解决大参数量模型在毫秒级在线服务下的效果-性能平衡难题。
3.Agentic Recommendation：打破传统协同过滤的被动匹配局限，设计具备领域专家经验、推理能力与主动规划能力的推荐 Agent，探索意图理解驱动的下一代推荐范式。
4.多模态内容理解：融合文本、图像、用户行为等多模态信号，构建统一表征体系，支撑跨业务线的个性化推荐能力复用。

北京三快科技有限公司

【愿景】打造全球领先的本地生活智能平台，让每一次搜索和推荐都精准理解用户需求，从被动匹配走向主动认知推理。我们致力于成为大模型在搜索与推荐场景落地的标杆团队，推动行业从传统深度模型向生成式智能的范式跃迁，用AI能力重新定义下一代生活服务入口。【你将参与】方向一：个性化自进化与主动探索算法机制1.探索与利用权衡： 负责设计前沿的主动探索训练目标与触发机制，引入不确定性感知等机制，使 Agent 能够根据当前交互状态、上下文历史自主判断自适应进化方向。
2.高价值信息捕获： 在极低用户打扰的约束下，设计高效的主动追问与澄清策略，精准、主动地获取用户深层高价值偏好信息。
方向二：多轮交互奖励建模与 RL 策略优化1.长期价值奖励建模： 负责构建面向长期交互与用户留存的奖励模型体系，将用户显式反馈（追问、点击）与隐式行为（停留、改写）转化为高置信度的显式/隐式奖励信号。
2.强化学习策略对齐： 运用先进的强化学习算法（如 PPO、GRPO、在线/交互式 RL），优化模型在多轮对话与 AI 搜索场景下的样本效率与收敛性。基于严谨的理论框架（如收敛性保证、遗憾界分析），指导算法的原则性设计，确保策略在复杂、长尾多场景迁移时的可解释性与可靠性。
方向三：Agent 闭环体系建设与全链路落地1.可插拔个性化内化模块： 研发高容量、强泛化性的个性化信息内化与记忆模块，动态攻克信息更新频率与偏好识别精度之间的权衡难题。

北京三快科技有限公司

【愿景】面向美团AI搜索中的复杂业务场景，研究一套泛化增强方法，旨在解决多场景、多约束、多工具条件下模型泛化不足、调用不稳和新业务接入成本高等问题，提升模型在复杂业务搜索任务中的跨场景迁移能力、多约束执行能力、多工具调用稳定性。【你将参与】1.业务场景泛化：提升多业务场景下的任务适配与迁移能力。围绕外卖、到店、零售、酒旅等典型业务场景，研究统一任务建模与多场景联合训练方法，增强模型在不同业务场景、不同用户表达和不同任务类型下的适配能力与迁移能力，提高跨场景条件下的端到端任务完成效果。
2.复杂约束泛化与推理：提升复杂筛选条件下的理解与满足能力。围绕时间、地点、价格、人数、品类、优惠、排序偏好等核心筛选条件，研究复杂条件的识别、表示与执行方法，提升模型对多条件组合请求的理解能力、条件一致性处理能力和最终结果满足能力，增强复杂请求下的稳定执行效果。
3.垂域工具调用泛化：提升搜索工具调用的准确性与结果一致性。围绕工具选择、参数生成、调用校验和结果整合等关键环节，研究搜索工具调用优化方法，提升模型在真实业务链路中的工具调用准确率、完整调用成功率以及最终结果与调用结果的一致性，提高整体任务执行的稳定性和可用性。

北京三快科技有限公司

1、 基于电力交易多重市场规则约束，研发和构建优化算法，实现收益最大化。

2、 承担线性规划、混合整数规划、鲁棒优化和启发式等算法的研发、设计和部署等工作。

3、 负责业务与算法融合，算法模型产品化落地，包括业务建模、算法设计、实现调优等。

4、 负责与交易团队，产品、生产部门对接，确保策略的准确实施，根据规则变化完成算法优化及迭代。

5、 完成公司和领导安排的项目汇报及其它事务。

新疆金风科技股份有限公司

能源/化工/环保

我们要寻找一位对数据安全和人工智能充满热情的大模型应用算法工程师加入我们的团队。在这里，你将加入一个充满热情的技术团队，参与构建智能化的数据安全防护体系，利用前沿的机器学习与数据挖掘技术，探索大模型在数据安全领域的深度应用。
具体职责包括但不限于：
● 大模型微调与实战 参与开源大模型的后训练（SFT、RL）与效果调优；针对具体的数据安全场景（如敏感词识别、API 风险检测），优化模型推理效果与性能。
● 数据处理与工程化 参与高质量训练数据集的构建，编写自动化脚本进行数据清洗、增强与合成（Synthetic Data）；协助解决模型部署中的工程问题，提升服务稳定性。
● 算法落地与迭代 利用 NLP 技术（如 NER 实体识别、文本分类）解决实际业务中的隐私保护问题；持续跟踪测试最新的 RAG、Agent 技术，并在业务中尝试落地。
● 前沿技术复现 跟踪学界/业界在 LLM 与安全结合领域的最新论文与技术报告，快速复现并验证其在内部场景的有效性。

阿里巴巴集团控股有限公司

1、和集团内基础大模型团队紧密合作，研发多模态数据理解与处理算子，覆盖图像、视频、音频等多模态数据的识别、理解、质量评估等核心能力，以高质量合成数据驱动集团大模型实现行业领先

2、负责多模态领域专家模型的研发，负责从任务定义、数据构建、模型训练、推理优化、评测迭代到业务落地的全流程闭环，持续提升模型的泛化能力与稳定性。

3、负责全模态理解大模型的研发，持续优化模型从底层感知（时空定位、细粒度识别）到高阶认知（结构化输出、逻辑推理）的核心能力，打造业界sota。

4、探索创新的多模态/全模态大模型训练范式，撰写发表创新论文或技术报告，参与模型开源与社区建设。

阿里巴巴集团控股有限公司

1.评测集自动构建技术：研究跨模态通用的评测集自动生成方法，构建不同模态（文本/图像/视频/音频/3D 等）评测集生产框架；研究动态评测集与抗污染技术，解决各模态静态评测集被"刷榜"后失效的通用问题；探索面向模型弱点的定向探测数据生成，通过错误模式分析自动生成针对性测试样本。

2.自动裁判技术：构建多模态通用的自动评判算法框架，统一支撑文本质量评判、生成内容质量评估、交互过程评估等不同评判范式，设计可插拔的评判策略组件；研究LLM as a judge及Agent as a judge，支撑 Agent 轨迹的中间步骤质量评估、推理链路正确性验证、世界模型的时序物理一致性检验等既需要结果评分也需要过程评分的评判场景。

3.Agent评测技术：设计Coding Agentic应用的端到端评估算法，包括多轮对话质量建模、用户意图满足度预测、任务完成率估计等；研究评测信号与用户真实体验的对齐技术，通过线上行为数据反标定离线评测指标的有效性，构建离线评测可预测线上表现的校准模型。

阿里巴巴集团控股有限公司

1. 负责淘宝闪购即时物流的时效预测、配送范围规划，商流×物超算联动机制等场景的算法设计与开发。

2. 综合应用机器学习、深度学习、运筹优化、大模型等前沿技术，基于业务问题和场景，构建算法方案，持续提升即时物流的履约效率，促进订单增长，优化用户体验。

3. 深入理解即时物流场景，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，多方协同推进项目落地。

拉扎斯网络科技（上海）有限公司

互联网

1. 构建和维护外卖即时物流领域的知识库，整合行业数据、业务规则和专家经验，利用大模型技术对知识库进行自动化更新和优化，提升知识库的覆盖率和准确性。

2. 负责海量数据的清洗，构建高质量的训练数据集。

3. 负责即时物流大模型的架构设计、训练、微调，在效果、推理速度、计算和存储成本推理等方面迭代到先进水平。

4. 将大模型技术应用于外卖即时物流的核心业务场景，如供需预测、骑手行为建模、路径优化、指标归因等，提升下游任务收益。

5. 跟踪大模型领域的最新研究成果，结合业务需求进行技术创新，探索大模型在物流配送中的无限可能。

拉扎斯网络科技（上海）有限公司

互联网