算法工程师-展示广告多模态大模型方向（T-Star Lab日常实习）

优缺点分析

角色解读

• 在T-Star Lab实习期间，可参与前沿课题研究，积累大模型与广告算法结合的实战经验，有机会发表高质量论文
• 表现优秀者有机会提前获得秋招直通T-Star的正式Offer，进入阿里巴巴核心算法团队
• 长期可发展为广告算法领域的专家，负责核心算法模型的研发与创新，或转向技术管理岗位
• 研究基于多模态大模型的生成式推荐算法，探索大模型与广告模型的融合方案，提升广告预估性能
• 参与万亿级参数模型的高效分布式训练和低延迟高吞吐的模型推理优化，解决实际业务中的技术挑战
• 创新AI Agent在广告交互中的应用，以及电商领域图文、视频多模态内容的理解与表征生成
• 将研究成果应用于阿里妈妈展示广告的召回和预估模型，提升用户体验、投放效率与广告营收
• 扎实的机器学习算法基础，熟悉深度学习、模式识别、强化学习等领域
• 极强的工程实现能力，精通C/C++、Java、Python等至少一门编程语言
• 对多模态大模型、LLM、生成式推荐等前沿技术有深入理解和实践经验
• 具备独立思考和解决问题的能力，有高质量研究成果或竞赛获奖经历者优先

申请策略

• 在申请时，可以针对岗位课题方向（如生成式推荐、AI Agent）准备相关的研究或项目案例，展示你的匹配度
• 关注阿里巴巴和阿里妈妈的技术博客、开源项目，了解团队的技术方向和文化，在面试中展现你的热情和了解
• 突出多模态大模型、深度学习、推荐系统相关的项目或研究经历，展示你的技术深度
• 强调顶会论文、算法竞赛获奖等成果，这是证明研究能力的重要加分项
• 展示你的工程实现能力，如精通C++/Python，以及分布式训练、模型优化等实践经验
• 体现你对广告业务的理解和兴趣，以及独立思考和解决问题的能力
• 深入学习多模态大模型（如LLM、VLM）的原理和应用，熟悉主流框架（如PyTorch）
• 补充广告推荐领域的知识，了解召回、排序、预估等核心链路

面试指南

• 回答项目经验时，可采用STAR法则，清晰描述项目背景、你的任务、具体行动和量化结果，突出你的技术贡献和思考
• 回答开放性问题时，展现你的知识广度，结合业务场景分析，提出有逻辑的解决方案，并体现你的创新思维
• 对于技术方案设计题，先明确目标，再拆解问题，提出多种方案并分析利弊，最后给出你的推荐和理由
• 请详细介绍一下你参与过的一个多模态或大模型相关项目，包括技术选型、模型架构和最终效果
• 如何理解大模型在广告推荐中的应用？你认为有哪些挑战和机遇？
• 针对万亿级参数模型的分布式训练，你会如何设计训练方案？
• 如何评估一个广告预估模型的效果？有哪些关键指标？
• 你如何看待AI Agent在广告交互中的创新应用？