腾讯
广告推荐模型算法工程师
广告推荐模型算法工程师
发布于 大约 16 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
本科
GPU
PyTorch
TensorFlow
推荐系统
CUDA
NCCL
分布式训练
DeepSpeed
广告推荐
模型缩放
AI 估算 · 35k–65k
腾讯高级算法岗，技术难度高，深圳互联网大厂薪资竞争力强，中位数约5万/月。
职位详情
关于这个职位
加入腾讯，你将主导广告推荐模型的Scaling Up，设计超大参数、超长序列的统一建模范式
深度参与新一代AI Infra架构演进，全面拥抱原生PyTorch生态和全GPU训推链路
通过极致的算法与工程协同优化，直接驱动公司营销核心GMV增长
这是一个兼具前沿算法探索与底层系统能力的高阶技术岗位
最低要求
计算机、软件工程或相关专业本科及以上学历，具备扎实的计算机体系结构、操作系统、网络和数据结构基础
极佳的 C++ 和 Python 编程能力，具备复杂系统架构设计能力，代码风格良好，追求极致的系统性能
深入理解 PyTorch/TensorFlow 等主流深度学习框架的底层运行机制（有向无环图优化、内存管理、算子分发等），有定制修改框架底层源码经验者优先
熟悉 GPU 体系结构，熟练使用 CUDA / C++ 编写高性能算子
熟悉 TensorRT、Triton 等推理加速工具链
具备丰富的性能 Profiling 及瓶颈分析经验
熟悉分布式系统的核心理论，深入理解 NCCL、MPI 等通信协议
有 Megatron-LM、DeepSpeed、HugeCTR 等大规模分布式训练框架实战经验者尤佳
了解互联网广告/推荐系统的基本业务链路，熟悉常见的搜广推模型结构（如 DCN、DIN、Transformer 等）
工作职责
模型 Scaling Up：针对推荐大模型（超大参数量、超长序列特征等），设计并实现序列和非序列特征统一建模新范式
新一代架构演进：深度参与广告推荐系统核心 AI 基础设施（AI Infra）的设计与研发，推动从传统架构向基于原生 PyTorch 的新一代推荐训练/推理框架平滑升级
算法与工程 Co-Design：与底层 AI Infra 团队深度协同，深刻理解底层全 GPU 分布式训练的特性，通过“算法适配算力”与“算力支撑算法”的双向优化，最大化模型迭代效率
业务赋能：深入理解广告推荐算法业务线（CTR/CVR预估等），通过底层工程架构和模型算法优化，提升模型实验效率，助力业务指标（收入、GMV等）达成
AI 洞察
优缺点分析
优点
- 腾讯平台拥有海量数据和业务场景，模型迭代影响力大
- 接触推荐系统最前沿的Scaling Up技术和AI Infra架构，技术成长快
- 薪资竞争力强，职业发展空间广阔，可向专家或管理方向深耕
- 算法与工程深度结合，培养全栈技术能力
- 技术难度极高，需同时精通算法与底层工程，学习曲线陡峭
- 竞争激烈，需要持续跟踪最新论文和技术动态
缺点 / 挑战
- 互联网大厂工作节奏快，可能面临较大的项目压力
- 适合有扎实算法和工程背景、热爱挑战、希望在推荐系统领域成为技术专家的资深工程师
角色解读
- 成为推荐系统算法专家，主导大规模模型架构设计与优化
- 向AI Infra方向深入，成为分布式训练与推理系统架构师
- 积累业务理解后转型技术管理者，带领算法团队
- 主导广告推荐模型的Scaling Up，设计超大参数量和超长用户序列的统一建模新范式
- 深度参与AI Infra架构演进，推动从传统框架向原生PyTorch的平滑升级
- 与底层工程团队协同，通过算法与工程的Co-Design优化全GPU分布式训练效率
- 深入业务，通过模型优化直接提升CTR/CVR等核心指标，驱动GMV增长
- 精通C++和Python，具备复杂系统架构设计能力，追求极致性能
- 深入理解PyTorch/TensorFlow底层机制，有修改框架源码经验
- 熟悉GPU体系结构与CUDA编程，能编写高性能算子，掌握TensorRT、Triton等工具链
- 掌握分布式训练核心理论，熟悉NCCL/MPI，有Megatron-LM、DeepSpeed等实战经验
申请策略
- 准备1-2个端到端的推荐系统项目，展示从数据处理到模型部署的完整能力
- 关注腾讯广告技术博客和会议分享，了解团队文化和技术方向
- 突出深度学习框架源码修改或优化经验，如自定义算子、内存管理等
- 详细描述大规模分布式训练项目，包括使用的框架、模型规模、性能提升数据
- 强调GPU编程和性能优化成果，如CUDA算子加速比、Profiling瓶颈分析案例
- 展示推荐系统业务理解，如CTR/CVR模型优化带来的实际指标提升
- 学习Megatron-LM、DeepSpeed等分布式训练框架的架构和使用
- 深入CUDA编程，练习编写高性能算子，熟悉NVIDIA性能分析工具
面试指南
- 从问题定义出发，分析当前瓶颈，提出多种候选方案并对比优劣
- 结合理论基础和实际项目经验，给出具体实现步骤和关键参数选择
- 考虑业务场景，权衡模型效果与计算效率，强调工程落地的可行性
- 请解释PyTorch的Autograd机制，并说明如何对其进行自定义扩展？
- 设计一个千亿参数推荐模型的分布式训练方案，考虑数据并行、模型并行和流水线并行
- 如何优化推荐模型中的长序列特征？请从内存和计算角度分析
- 描述一次你通过性能Profiling发现并解决训练瓶颈的经历
- 介绍一种你熟悉的推荐模型结构（如DCN），并说明其优缺点
匹配度报告
75
综合匹配度
腾讯高级算法岗，前沿推荐模型与AI Infra，高成长高回报，WLB不确定。
适合人群
该职位最适合以技术成长和业务影响力为核心驱动力的求职者，愿意接受较高的工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展95
工作生活50
使命价值75
薪资福利匹配
80较高
腾讯薪资在互联网行业具有竞争力，但职位描述未明确薪资和福利，存在一定不确定性。
薪资信号未披露（AI估算：35K-65K/月）
成长发展匹配
95较高
职位聚焦Scaling Up和AI Infra前沿技术，深度参与业务核心，成长空间极大。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、CUDA、分布式训练、推荐系统、模型缩放、DeepSpeed
业务类型profit_center
工作生活匹配
50较低
仅现场办公，未提及WLB相关信号，互联网大厂通常工作强度较高，但无法从JD明确判断。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
75中等
互联网广告行业高速增长，技术领先，但社会意义中性，未提及使命驱动。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs