
百度
生成式排序模型算法工程师(J107378)
生成式排序模型算法工程师(J107378)
发布于 2 小时前实习/见习
实习生仅现场办公推荐系统
推荐系统
Deepfm
Din
Llm
Pytorch
Tensorflow
多模态大模型
值不值得投
69综合评分
综合评分 69
前沿大模型推荐算法实习,技术成长强,薪资福利与WLB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
1.0万
比推荐系统中位数高
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 1350 个在招 · 其中推荐系统 21 个
市场机会
选择面较广
北京 · 推荐系统 · 约 110 个在招
职位详情
关于这个职位
该职位面向在校生,参与百度推荐广告场景下的生成式排序模型研发,重点探索Transformer、序列化建模、多模态大模型和强化学习在CTR/CVR/GMV预估中的应用
你将跟随导师完成算法复现、离线评测、在线实验分析,并配合工程与产品团队推动模型落地
最低要求
计算机、数学、自动化等相关专业本科及以上在校生
扎实的机器学习基础,熟悉Transformer、DeepFM、DIN等常用搜推模型,对生成式模型(如GPT/LLM架构)有基本认知
熟练掌握Python,至少精通PyTorch或TensorFlow其中一种框架
具备良好的算法与数据结构基础,代码风格严谨
具备极强的学习能力和好奇心,能够阅读英文文献并快速上手新技术
沟通顺畅,具备良好的团队合作意识
工作职责
在导师指导下,参与推荐广告场景下的生成式排序模型的研发,探索Transformer及序列化建模在CTR/CVR/GMV预估中的应用
协助团队进行多模态大模型在推荐场景的落地实验,参与重构广告基础表征体系,提升模型对商品/广告的语义理解能力
参与大模型训练/推理优化(如量化、高效注意力机制等)的实验跑通,探索强化学习在提升广告长期价值优化中的可行性
跟踪推荐系统、生成式AI及大模型领域的最前沿学术论文,负责算法的复现和评测
配合工程与产品团队进行数据处理、模型离线评估及在线A/B Test效果分析,确保算法逻辑的正确落地
优先资格
在顶会发表过论文、参加过知名算法竞赛并取得优异成绩、有过大规模分布式训练、长序列建模或语义ID相关课题的研究经验者优先
AI 洞察
优缺点分析
优点
- 岗位直接覆盖生成式排序、多模态大模型、强化学习等前沿方向,技术成长空间较大
- 工作内容包含论文跟踪、算法复现、离线评估和在线A/B Test,能形成较完整的算法研发闭环
- 广告推荐场景数据规模大、业务反馈清晰,有助于积累真实工业界建模经验
- 有导师指导,适合在校生系统学习工业级推荐算法和模型落地方法
- 涉及推荐系统、大模型、多模态和强化学习多个复杂方向,学习曲线较陡
- 广告场景指标导向强,实验迭代快,可能需要频繁面对效果不达预期和反复调优
- 适合机器学习基础扎实、熟悉Python深度学习框架,并希望深入推荐广告和大模型算法方向的在校生
缺点 / 挑战
- 需要同时兼顾算法复现、实验分析和工程协作,对代码质量和执行效率要求较高
角色解读
- 从算法实习生逐步成长为推荐系统或广告算法工程师,深入排序模型、召回、预估和在线实验体系
- 后续可向大模型推荐、多模态表征、强化学习优化、模型训练推理加速等方向深耕
- 若积累论文、竞赛或大规模训练经验,也可进一步发展为算法研究型专家或高级算法工程师
- 参与推荐广告排序模型研发,重点围绕CTR、CVR、GMV预估,探索Transformer、序列化建模和生成式排序方法
- 参与多模态大模型在推荐广告场景的落地实验,帮助重构广告和商品的基础表征体系
- 跟进大模型训练与推理优化实验,包括量化、高效注意力机制、强化学习等方向
- 阅读前沿论文并复现评测算法,同时配合工程和产品团队完成数据处理、离线评估和在线A/B Test分析
- 需要扎实的机器学习基础,熟悉推荐系统常见模型如DeepFM、DIN,以及Transformer和LLM架构
- 需要熟练使用Python,并至少掌握PyTorch或TensorFlow中的一种深度学习框架
- 需要具备良好的算法与数据结构基础,能够写出严谨、可复现的实验代码
- 需要能阅读英文论文,快速复现新技术,并与工程、产品团队协作推进实验落地
申请策略
- 申请前了解百度广告推荐业务和生成式排序相关公开资料,面试中体现对业务指标和模型落地的理解
- 如果可选城市,建议提前明确北京或上海偏好,并准备好说明自己能到岗的时间、实习周期和每周出勤安排
- 突出与推荐系统、CTR/CVR预估、排序模型相关的课程项目、科研或实习经历
- 写明使用Python、PyTorch或TensorFlow完成过的模型训练、复现、评测和消融实验
- 如有Transformer、LLM、多模态、长序列建模、语义ID、强化学习或分布式训练经历,应重点展开
- 展示论文阅读与复现能力,例如复现过哪些论文、使用什么数据集、取得什么指标提升
- 提前巩固DeepFM、DIN、Transformer、序列建模和常见CTR预估模型的原理与实现
- 加强PyTorch实验能力,包括数据管道、训练循环、模型评估、日志管理和结果可视化
面试指南
- 项目类问题按“业务目标—数据特征—模型方案—实验设计—指标结果—复盘改进”的结构回答,突出自己的具体贡献
- 技术类问题先讲核心原理,再结合推荐广告场景说明优势、限制和工程落地成本
- 实验类问题强调控制变量、离线指标与线上指标一致性、显著性分析和失败原因拆解
- 请介绍一个你做过的推荐或CTR预估项目,包括模型选择、特征设计、评估指标和最终结果
- Transformer为什么适合序列建模?在推荐排序场景中应用时可能遇到哪些问题?
- DeepFM、DIN和Transformer类推荐模型各自的核心思想和适用场景是什么?
- 你如何复现一篇论文?如果复现结果与论文不一致,你会如何排查?
- 在线A/B Test中,如何判断一个算法改动是否真正有效?
职位点评
薪资福利62
成长发展88
工作生活45
使命价值70
薪资福利
62中等
JD未披露薪资和福利信息,因此只能判断为信息不足;作为技术实习岗,补偿性动机满足度中等偏有限。
薪资信号未披露(AI估算:7.0千–1.2万/月)
成长发展
88较高
岗位明确涉及生成式排序、多模态大模型、强化学习、训练推理优化和前沿论文复现,技术成长信号很强。JD还提到导师指导,但未提供明确晋升或培训体系信息。
技术前沿前沿/新兴技术
技术栈Transformer、DeepFM、DIN、GPT/LLM、多模态大模型、量化、高效注意力机制、强化学习、长序列建模、语义ID
成长机会在导师指导下
业务类型profit_center
工作生活
45较低
JD仅说明工作城市为北京和上海,未提及远程、弹性、双休或加班信息,生活化动机满足程度无法充分判断。
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
70中等
岗位聚焦推荐广告场景中的GMV和长期价值优化,业务目标清晰,并涉及前沿AI技术探索;但JD未直接表达社会价值或使命导向。
行业发展高速增长赛道
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
智能算法产品事业部-广告大模型算法工程师(搜索召回&粗排)-北京
天猫 · 北京市
AI 估算 · 3.5–6.0万24 小时前发布
生成式推荐算法工程师-【生产反馈P2U方向】
快手 · 北京市
AI 估算 · 3.0–6.0万1 天前发布
高德-推荐算法工程师-信息业务中心
阿里巴巴 · 北京市
AI 估算 · 4.0–7.0万1 天前发布
高德-推荐算法工程师-信息业务中心
高德地图 · 北京市
AI 估算 · 3.5–6.0万2 天前发布
生成式搜索召回算法工程师
美团 · 北京市
AI 估算 · 4.0–7.0万3 天前发布
搜推算法实习生(搜推&定价方向) (MJ037508)
携程 · 上海市
AI 估算 · 4.0–6.0千6 天前发布
研究型实习生-智能算法产品事业部-冷启推荐算法实习生
阿里巴巴 · 杭州市
AI 估算 · 0.4–0.6千7 天前发布
个性化治理推荐算法(流量治理)-TnS
小红书 · 北京市
AI 估算 · 4.0–7.0万8 天前发布
Watch Jobs