百度
商业搜索定向策略-算法实习生（J106788）
商业搜索定向策略-算法实习生（J106788）
发布于 6 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
大模型
广告算法
推荐系统
搜索广告
机器学习
深度学习
值不值得投
70综合评分
综合评分 70
头部互联网商业化算法实习岗，技术栈前沿、数据与算力资源充足，成长性强但实习回报与作息信息未披露。
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
7.0千
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 1410 个在招 · 其中机器学习工程 28 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 550 个在招
职位详情
关于这个职位
百度商业搜索算法团队招聘算法实习生，参与搜索广告场景下的大模型算法研发，负责广告召回与推荐的策略优化
你将基于Transformer、LLM等生成式大模型技术，探索广告新场域的变现创新与下一代在线广告形态，并结合客户投放现状用技术手段提升投放效果
最低要求
计算机科学、人工智能、数学等相关专业研究生及以上学历在读，对广告算法、推荐系统、搜索技术等领域有基本认知和热情
熟悉机器学习/深度学习基础理论，了解Transformer、LLM等相关技术
逻辑清晰，具备较强的问题分析与解决能力，能快速学习新技术并应用于实际场景
工作职责
参与搜索广告场景下的大模型算法研发，优化广告召回/广告推荐技术，探索大模型在商业化场景的创新落地
基于生成式大模型等新技术，探索商业广告新场域变现创新突破，迭代并实现下一代在线广告新形态
深入洞察行业客户投放现状，结合业务特点&系统现状，依托技术创新优化客户效果
利用机器学习、大模型相关知识提升业务效率
优先资格
有大模型训练调优、广告/推荐算法研究经验者优先
AI 洞察
优缺点分析
优点
- 直接接触搜索广告这一成熟且体量巨大的商业化场景，算法落地价值清晰
- 可参与大模型在广告场景的前沿探索，技术栈新，简历含金量高
- 有海量真实数据与工业级训练/推理资源，能快速积累工程与建模经验
- 实习表现优异有转正机会，是进入头部互联网算法团队的通道之一
- 大模型与广告系统结合属探索性方向，任务目标可能不完全清晰，需要较强的自驱与试错能力
- 广告业务对效果指标敏感，实验评估与线上效果验证节奏紧凑
- 实习生需要在有限时间内熟悉庞大的内部系统与代码库，学习曲线较陡
- 适合计算机、人工智能、数学等相关专业研究生在读，具备机器学习基础、对大模型与广告推荐有热情，并希望进入工业界算法岗的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 实习期可深入接触工业级广告系统与超大规模数据，是进入大厂算法岗的高价值跳板
- 表现优秀者有机会转正，沿广告算法/推荐算法/大模型应用方向继续深耕
- 长期可向算法专家、技术负责人或商业化策略方向延展
- 参与搜索广告场景的大模型算法研发，围绕广告召回与广告推荐做模型和策略优化
- 基于生成式大模型探索新的广告场域与变现形态，把前沿技术落到真实的商业产品中
- 结合行业客户的投放现状和数据表现，用算法手段提升广告效果与系统效率
- 扎实的机器学习/深度学习基础，理解Transformer、LLM等模型原理与训练流程
- 对广告算法、推荐系统、搜索技术有基本认知，能把业务问题转化为建模问题
- 具备较强的数据分析与问题拆解能力，能快速学习新技术并写代码验证
- 熟悉Python及主流深度学习框架，有论文复现或模型调优实践经验更佳
申请策略
- 投递前了解百度搜索广告与商业化产品的基本形态，面试中能说出你的理解会加分
- 准备好实习时长与到岗时间，算法实习岗通常对可实习周期有明确要求
- 突出机器学习/深度学习项目经历，尤其是Transformer、LLM相关的训练、微调或复现经验
- 如有广告、推荐、搜索方向的竞赛、论文或实习经历，应放在最显眼位置并写明指标提升
- 量化呈现项目成果，如召回率、CTR、AUC等指标的变化幅度与你的具体贡献
- 列出扎实的编程能力（Python、PyTorch/TensorFlow）与处理大规模数据的经验
- 系统梳理推荐系统与计算广告的基础知识，包括召回、粗排、精排、出价机制等链路
- 动手实践一次大模型微调或LoRA/RLHF流程，理解训练稳定性与评估方法
面试指南
- 技术问题先讲原理再讲工程细节，最后落到你实际做过的实验与指标
- 业务问题按'定义问题—分析现状与数据—提出方案—设计AB实验验证'四步作答，体现结构化思维
- 开放性问题先给出假设与边界条件，再讲取舍，避免一上来就下结论
- 请介绍一个你做过的大模型或深度学习项目，模型结构、训练细节和最终效果如何？
- Transformer的注意力机制原理是什么？相比RNN有哪些优势和局限？
- 如果广告召回效果不佳，你会从哪些维度排查和优化？
- 大模型如何应用到广告推荐场景？你会如何设计一个验证方案？
- 现场手写一道算法题并说明时间复杂度
职位点评
薪资福利55
成长发展88
工作生活55
使命价值65
薪资福利
55较低
JD未披露实习津贴与福利信息，作为实习岗位收入以实习补贴为主，补偿性回报有限，更多价值在于平台与经验。
薪资信号未披露（AI估算：4.3–8.7千/月）
成长发展
88较高
岗位直接参与大模型在搜索广告的研发与落地，技术栈前沿且有海量工业级数据与系统支撑，技能成长空间很大；JD未明确提及培养机制或晋升路径。
技术前沿前沿/新兴技术
技术栈大模型、LLM、Transformer、机器学习、深度学习、广告召回、广告推荐、搜索广告
业务类型profit_center
工作生活
55较低
JD未提及办公模式、弹性工时或加班情况，工作地点为北京，具体通勤与作息需与HR确认。
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
65中等
搜索广告属于成熟商业场景，岗位同时涉及大模型在商业化的创新探索，技术应用价值明确，社会意义层面偏中性。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
百度 的其他在招职位
相似职位推荐
Watch Jobs