多模态理解与用户意图推理-阿里星/T-Star

优缺点分析

角色解读

• 作为阿里星/T-Star成员，你将获得公司顶级资源倾斜，快速成长为技术专家
• 发展方向可以是技术专家路线（P序列），深入多模态、大模型等前沿领域
• 也可以向技术管理路线发展，带领团队将算法能力应用到更广泛的业务场景
• 负责用户理解、行为建模和意图识别等核心算法的研发，这是搜索、推荐、广告等业务的基础
• 探索大模型、多模态、强化学习等前沿技术在真实产品中的应用，需要将研究问题转化为可落地的系统能力
• 与产品、工程、算法团队紧密协作，参与模型训练、评估、上线和实验分析的全流程
• 有机会参与论文、专利、技术分享和开源项目，提升个人技术影响力
• 扎实的机器学习、深度学习基础，熟悉推荐系统、NLP、多模态理解等方向
• 熟悉大语言模型后训练技术，如SFT、DPO、偏好对齐、指令微调等
• 具备优秀的编程能力（Python/C++），熟悉主流深度学习框架（PyTorch/TensorFlow）
• 对Deep Research、Agent、RAG等前沿技术有实践经验或浓厚兴趣

申请策略

• 关注阿里巴巴校招官网和阿里星/T-Star项目，了解具体申请流程和时间节点
• 在面试中，除了展示技术能力，也要展现对业务的理解和思考，体现你的综合能力
• 突出你的顶会论文（如NeurIPS、ICML、CVPR等），这是阿里星项目最看重的硬通货
• 详细描述你在多模态、大模型、推荐系统等方向的项目经验，强调技术深度和业务价值
• 展示你的工程能力，如大规模数据处理、模型训练、部署优化等
• 如果有开源项目或技术博客，可以附上链接，展示你的技术热情和影响力
• 深入理解大模型后训练技术（SFT、DPO、RLHF），并动手实践
• 熟悉Agent、RAG、长上下文推理等前沿技术，并思考其在搜索推荐场景的应用

面试指南

• 回答项目经验时，可以遵循STAR法则（情境、任务、行动、结果），突出你的个人贡献和技术深度
• 回答技术方案设计问题时，可以按照问题定义、技术选型、方案设计、效果评估的逻辑进行阐述
• 回答开放性问题时，可以结合你的知识储备和对业务的理解，提出有见地的观点，并注意逻辑清晰
• 请详细介绍一下你参与过的一个多模态或大模型项目，包括技术选型、模型设计和最终效果
• 如何将大模型技术应用于用户意图识别？请给出你的技术方案
• 你如何理解SFT和DPO？它们各自解决什么问题？
• 在推荐系统中，如何利用多模态信息提升推荐效果？
• 请谈谈你对Agent和RAG技术的理解，以及它们在搜索推荐场景中的潜在应用