阿里国际智能技术-广告AIGC算法工程师-日常实习生

优缺点分析

角色解读

• 在技术深度上，可以逐步成长为多模态生成算法专家，精通扩散模型、VLM及其在商业场景的应用
• 在业务理解上，通过接触真实广告投放闭环，能够成长为懂业务的算法工程师，为后续转型或晋升打下基础
• 优秀成果可沉淀为论文或专利，有助于在学术界或工业界获得更高认可，为读博或进入核心算法团队增加筹码
• 利用多模态生成模型（如扩散模型）生成和编辑商品图片，以提升广告创意的质量和商业表现
• 设计和迭代面向电商创意的评测体系，评估生成图是否满足商品表达、投放可用性和效果潜力
• 进行前沿论文调研、复现和实验验证，将图像生成、图像编辑或视觉语言模型的最新方法落地到业务场景
• 分析生成结果和业务反馈，探索归因、偏好学习、策略优化等机制，推动创意系统持续进化
• 扎实的Python编程能力，能够基于PyTorch或TensorFlow等框架进行模型开发与训练
• 熟悉多模态模型、图像生成、图像编辑或视觉语言模型中的至少一个方向，了解扩散模型、Transformer等架构
• 具备独立实验的能力，包括数据处理、模型训练、结果分析和结论归纳，能阅读英文论文并复现实验
• 对广告、电商或推荐系统有一定了解，能够将技术研究与业务目标结合

申请策略

• 在申请信中表达对AIGC+广告的独特理解，说明自己为什么对这个方向感兴趣
• 如果有作品集或GitHub，建议整理好并附上链接，直观展示代码能力
• 突出图像生成/编辑相关项目经历，如扩散模型、VLM的实践或开源项目
• 强调Python和PyTorch等技能，以及独立完成实验和论文复现的经历
• 如果有广告、推荐或A/B测试相关经验，务必体现，这是加分项
• 展现研究热情，如发表过论文、竞赛获奖或对前沿技术的深入理解
• 提前熟悉Diffusers和Transformers库，动手实现基础生成模型，如DDPM、Stable Diffusion
• 阅读多模态和图像生成领域的最新论文，并尝试复现核心方法，尤其是RLHF/DPO相关内容

面试指南

• 对于项目介绍类问题，采用STAR法则：背景、任务、行动、结果，并强调你的技术选型和思考
• 针对设计评测方法，可以从商业目标和技术指标两个角度分层设计，明确每个指标的可操作性和可迭代性
• 技术机制问题，先解释核心原理，再给代码或公式，最后结合业务场景描述实际应用
• 请介绍一下你最近做过的图像生成相关项目，如何评估生成效果？
• 如何设计一个评测指标来判断一张商品图是否适合投放广告？
• Diffusers库中如何实现一个自定义的扩散模型采样过程？
• 什么是DPO，它与RLHF有什么异同？
• 如果生成的图片在业务中点击率低下，你会如何分析和优化？