阿里巴巴
算法工程师-大模型应用（T-Star Lab 日常实习）
算法工程师-大模型应用（T-Star Lab 日常实习）
发布于 3 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Llm
Pytorch
Tensorflow
分布式训练
多模态大模型
搜推广算法
模型压缩
值不值得投
82综合评分
综合评分 82
阿里T-Star顶尖实习计划，前沿大模型技术栈，发展资源顶级，适合追求技术突破的顶尖在校生。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
1.1万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3390 个在招 · 其中机器学习工程 约 190 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 270 个在招
职位详情
关于这个职位
该职位是阿里巴巴T-Star计划的日常实习岗位，主要参与大模型在电商搜索、推荐、广告等核心场景的算法创新与落地
你将接触千亿级参数大模型的训练与部署，直面亿级用户规模的数据挑战，探索生成式AI与多智能体等前沿技术
最低要求
计算机科学/人工智能/机器学习等相关领域，毕业时间在2026年11月之后的在校本科、硕士或博士
具备扎实的编程基础（Python/C++/Java），熟悉常用算法与数据结构
掌握机器学习基础理论，了解搜、推、广系统/自然语言处理/多模态等至少一个领域
有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先
对AI技术充满好奇心，主动关注大模型、搜推广系统、NLP、强化学习等领域前沿进展
具备较强的问题拆解能力，能通过数据分析定位业务痛点并提出创新思路
良好的沟通能力，能与工程师、产品经理高效协作，将技术方案转化为业务价值
对电商场景有基本认知，愿意深入理解用户需求与商业逻辑
工作职责
大模型驱动的算法革新：
a. 参与大模型（LLM、多模态大模型）在电商核心场景（搜索、推荐、广告、多智能体对话等）中的算法创新与应用
b. 研究大模型与经典搜推广模型的融合方案，提升模型效果与用户体验
下一代AI系统构建：
a. 通过分布式训练、模型压缩、低延迟推理等技术，面向工业级应用完成千亿级参数大模型的高效训练与部署
b. 尝试生成式AI、多智能体协作等前沿方向，推动AI技术在电商领域的创新应用
大模型在亿级用户规模落地的实战：
a. 直面淘宝数亿用户、百亿级行为数据的挑战，落地大模型应用
b. 参与双11、618等顶级电商场景的算法优化，见证大模型技术驱动商业增长的完整链路
优先资格
● 有大模型训练/微调经验（如Llama、GPT、多模态模型）或搜推广算法相关项目经历
● 有海量数据处理经验或者大厂实习经验
● 在算法竞赛中获得优异成绩（ACM-ICPC/挑战赛TOP10等）或者在顶级会议或高水平期刊发表过论文，或有复现前沿论文的经验者优先
AI 洞察
优缺点分析
优点
- 平台与资源顶级：依托淘天集团亿级用户和百亿级数据，拥有工业界最丰富的海量数据与算力资源
- 技术前沿且落地性强：接触千亿级大模型、多智能体等最前沿技术，且能直接在双11等核心业务场景验证效果
- 培养体系完善：作为T-Star顶尖人才计划，提供大牛导师带教、丰富的技术资源及秋招直通机会
- 竞争激烈：作为顶尖人才招聘项目，对候选人的学术背景、竞赛成绩或工程能力要求极高
- 适合具备扎实算法基础、有顶会论文或顶级竞赛获奖经历，且渴望在电商AI领域将前沿技术转化为商业价值的顶尖在校生
缺点 / 挑战
- 业务挑战大：需直面数亿用户规模和顶级电商场景的极高并发与性能要求，技术落地难度高
角色解读
- 短期可通过T-Star计划获得企业大牛和学术界名导指导，积累工业界顶级项目落地经验并发表高水平论文
- 长期有机会通过秋招直通T-Star正式Offer，成长为电商AI领域的顶尖算法专家或技术Leader
- 参与大模型在电商搜索、推荐、广告等核心场景的算法创新，研究大模型与经典模型的融合方案
- 负责千亿级参数大模型的分布式训练、模型压缩与低延迟推理，推动生成式AI和多智能体技术的工业级落地
- 直面亿级用户和百亿级数据挑战，参与双11等顶级电商场景的算法优化，实现技术驱动商业增长
- 扎实的编程基础（Python/C++/Java）和数据结构算法能力，熟练使用PyTorch或TensorFlow等深度学习框架
- 掌握机器学习基础理论，在自然语言处理、多模态或搜推广系统中至少精通一个领域
- 具备较强的问题拆解与数据分析能力，能够将技术方案转化为实际业务价值
申请策略
- 提前了解淘天集团的核心业务场景（如淘宝搜索、推荐机制），思考大模型在其中的具体应用切入点
- 准备好过往项目中最具挑战性的技术难点及解决思路，以应对深度的技术面试
- 突出大模型相关经验：详细列出大模型训练、微调（如Llama、GPT）或搜推广算法的项目经历及具体指标提升
- 强调学术与竞赛成果：重点展示ACM-ICPC、Kaggle等顶级竞赛名次，或顶会论文发表、前沿论文复现经验
- 体现工程落地能力：说明在海量数据处理、分布式训练或模型压缩方面的实际工程经验
- 深入理解大模型与经典搜推广模型的融合方案，补充多智能体协作或生成式AI的前沿知识
- 提升工程化能力，熟悉千亿级参数模型的分布式训练框架及低延迟推理优化技术
面试指南
- STAR法则：针对项目经验，按照情境（Situation）、任务（Task）、行动（Action）、结果（Result）结构化回答，突出个人贡献和量化收益
- 技术深度+业务思考：在回答技术问题时，不仅讲透底层原理，还要结合电商业务场景（如转化率、用户体验）说明技术选型的合理性
- 请详细介绍你参与过的大模型训练或微调项目，遇到了哪些显存或计算瓶颈，是如何解决的？
- 在搜推广场景中，你认为大模型相比传统深度学习模型有哪些优势和劣势？如何设计融合方案？
- 面对千亿级参数模型，你在分布式训练或模型压缩（如量化、剪枝）方面有哪些实际经验或理论理解？
- 请描述一个你通过数据分析定位业务痛点并提出创新算法思路的完整案例
- 复习大模型核心原理（如Transformer架构、Attention机制、RLHF等）及分布式训练框架（如Megatron、DeepSpeed）
- 梳理过往项目中的技术难点，准备2-3个能体现自己问题拆解能力和工程落地能力的深度案例
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
作为顶尖人才实习计划，实习薪资及转正后的正式薪资在行业内具有较强竞争力，且福利体系完善。
薪资信号未披露（AI估算：6千–1.5万/月）
成长发展
95较高
岗位提供顶尖技术资源、大牛导师带教及发paper支持，且有秋招直通机会，发展性动机得到极大满足。
技术前沿前沿/新兴技术
技术栈LLM、多模态大模型、分布式训练、模型压缩、低延迟推理、生成式AI、多智能体协作、PyTorch、TensorFlow
成长机会企业大牛导师、学术界名导、助力发paper、秋招直通T-Star的正式Offer
业务类型profit_center
工作生活
60中等
实习岗位通常需现场办公，且核心业务团队工作节奏较快，WLB方面未明确说明，存在一定压力。
工作模式未明确
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
80较高
探索最前沿AI技术并在亿级用户场景落地，具有较高的技术成就感与行业影响力。
行业发展高速增长赛道
社会影响中性/一般
使命信号探索和实践最前沿的AI技术、推动AI技术在电商领域的创新应用
创新程度开拓性创新（行业首创）
Watch Jobs