小红书
搜索广告算法工程师（相关性&大模型排序）-商业算法
搜索广告算法工程师（相关性&大模型排序）-商业算法
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Ctr/Cvr预估
Kv Cache
Llm
Sft
多模态技术
推理优化
搜索广告
生成式排序
知识蒸馏
值不值得投
79综合评分
综合评分 79
核心商业算法岗、大模型前沿技术栈、技术成长空间极大，薪资竞争力强但工作强度可能较高。
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，方便横向比较。
薪资怎么样
5万
比机器学习工程中位数高
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 2080 个在招 · 其中机器学习工程 29 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 350 个在招
职位详情
关于这个职位
该职位负责小红书搜索广告核心模型的研发，推动相关性判断与CTR/CVR预估向大模型架构演进
你将探索生成式排序等前沿范式，结合多模态内容攻克长链路建模难题，并负责大模型训练优化与在线推理架构的工程落地
最低要求
计算机/人工智能/数学等相关专业，本科及以上学历
扎实的机器学习、深度学习与 NLP 基础，深入理解 Transformer 及 LLM 的预训练/微调/推理原理
有 LLM 落地经验：熟悉 SFT、偏好优化、蒸馏、推理优化中的至少两个方向，有真实业务上线案例
熟悉 CTR/CVR 预估或相关性/语义匹配建模，理解样本、特征、模型、线上 serving 的完整闭环，能独立定位并解决效果问题
工作职责
负责搜索广告相关性判断与 CTR/CVR 预估模型的研发与升级，基于 LLM / 多模态技术重构语义匹配与效果预估能力，解决用户意图理解、广告内容理解、相关性判别等核心问题
探索生成式排序（Generative Ranking）、LLM 精排打分等新范式在搜索广告场景的落地，推动排序模型从 encoder 打分向 decoder 生成/判别融合架构演进
负责大模型在排序场景的训练与优化全链路：训练数据构建与清洗、SFT、偏好优化（DPO/RLHF）、大模型到小模型的知识蒸馏、效果评测体系搭建，兼顾效果与在线推理成本
结合小红书图文/视频多模态内容与海量用户行为，攻克种草-转化长链路建模中的稀疏性、波动性难题，持续提升预估准确度与广告投放效果
关注推理优化与在线架构（KV cache、前缀复用、量化/投机解码、低成本 serving），推动模型能力在延迟与算力约束下的工程落地
探索 Agent 化智能评测、合成数据、模型即标注等前沿手段，建设可持续迭代的数据-模型飞轮
优先资格
）有相关性建模、搜索排序、广告精排的实际业务经验，理解相关性质量与广告生态的关系
）有 LLM 上线经验，处理过推理延迟/成本约束下的模型落地（量化、蒸馏、KV cache 优化等）
）有生成式推荐/排序、多模态检索、RAG 等前沿方向的实践或深入思考
）有顶会论文，或在大模型比赛中取得突出成绩
）熟悉广告竞价/拍卖机制，理解预估模型与出价、计费机制的联动
AI 洞察
优缺点分析
优点
- 直接负责核心业务模型，业务价值与个人影响力大，能积累丰富的实战经验
- 公司平台大，拥有海量用户行为数据与丰富的算力资源，利于模型迭代
- 大模型在广告场景的落地面临严格的延迟与算力约束，工程优化与成本控制难度大
- 具备扎实大模型落地经验，对搜索广告或推荐系统有浓厚兴趣，且能兼顾算法创新与工程落地的算法工程师
缺点 / 挑战
- 处于搜索广告向大模型范式切换的核心团队，技术栈极具前沿性与挑战性
- 搜索广告业务指标要求高，模型迭代与线上效果保障面临较大压力
角色解读
- 从算法工程师向大模型算法专家或搜索广告算法架构师发展，深入掌握大模型在商业场景的落地
- 未来可探索生成式推荐、Agent化智能评测等前沿方向，成为商业算法领域的顶尖技术人才
- 负责搜索广告相关性判断与CTR/CVR预估模型的研发，推动模型向大模型架构演进
- 探索生成式排序等新范式，优化大模型在排序场景的训练与全链路
- 结合多模态内容攻克长链路建模难题，并关注推理优化与在线架构落地
- 扎实的机器学习与NLP基础，深入理解Transformer及LLM的预训练、微调与推理原理
- 具备LLM落地经验，熟悉SFT、偏好优化、蒸馏及推理优化中的至少两个方向
- 熟悉CTR/CVR预估或相关性建模，理解从样本、特征到线上serving的完整闭环
申请策略
- 了解小红书搜索广告的业务逻辑与种草-转化链路，准备关于大模型如何赋能广告生态的具体思考
- 关注大模型在广告场景中的成本与效果平衡，展现对业务trade-off的理解
- 突出LLM落地经验，特别是SFT、偏好优化、知识蒸馏或推理优化的真实业务案例与收益
- 强调在CTR/CVR预估或相关性建模中的完整闭环经验，以及独立定位并解决效果问题的能力
- 展示对生成式排序、多模态检索或RAG等前沿方向的深入思考或实践成果
- 深入学习生成式排序（Generative Ranking）与多模态检索技术，了解其在搜索广告中的应用
- 掌握大模型推理优化技术（如KV cache、量化、投机解码）及在线serving架构，提升工程落地能力
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出“问题定义-技术方案-工程优化-业务收益”的闭环
- 对于前沿问题，展现对技术边界的理解，从效果、成本、延迟等多个维度分析trade-off
- 请详细介绍一个你主导的LLM落地项目，遇到了哪些延迟或成本问题，是如何解决的？
- 在搜索广告场景中，如何将大模型应用于相关性判断或CTR/CVR预估？效果如何评估？
- 生成式排序相比传统的encoder打分有什么优势？你认为落地难点在哪里？
- 针对种草-转化长链路建模中的稀疏性问题，你有哪些建模思路或解决方案？
- 复习大模型微调（SFT/RLHF/DPO）与推理优化（vLLM, TensorRT-LLM等）的核心原理与工程实践
- 熟悉小红书搜索广告的业务特点，思考大模型如何提升用户意图理解与广告投放效果
职位点评
薪资福利85
成长发展95
工作生活50
使命价值75
薪资福利
85较高
核心商业算法岗，大模型方向，薪资处于市场高位，福利体系完善。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
95较高
处于大模型与搜索广告结合的最前沿，技术栈极具挑战性，成长空间巨大。
技术前沿前沿/新兴技术
技术栈LLM、多模态、生成式排序、SFT、DPO/RLHF、知识蒸馏、KV cache、Agent
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB，互联网核心算法岗通常工作强度较大。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
推动搜索广告向大模型范式切换，具有较高的技术创新价值，但本质仍为商业变现岗位。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs