Baidu logo
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

AI 估算 · 7.0千–1.2万 · AI 参考估算
无经验要求
本科
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
Watch Jobs