百度
生成式定向实习生（大模型方向）（J104599）
生成式定向实习生（大模型方向）（J104599）
发布于 大约 2 小时前实习/见习
北京市 / 上海市
无经验要求
实习生
仅现场办公
本科
机器学习工程
Nlp
Pytorch
Tensorflow
多模态
大模型
推荐系统
机器学习
AI 估算 · 0k–1k
百度大模型方向实习生日薪通常在300-500元区间，考虑岗位技术含量高、公司平台大，取中位数400元/天。
职位详情
关于这个职位
这是一个面向大模型方向的生成式定向实习生岗位，加入百度核心推荐团队，参与推荐系统的基础大模型优化、生成式召回技术研发以及端到端推荐模型的探索
你将有机会接触前沿的Foundation Model范式，在真实业务场景中应用和验证你的算法能力，与顶尖团队一起挑战推荐系统的技术难题
最低要求
本科及以上学历，计算机、数学、统计学及相关专业
在推荐系统、自然语言处理、计算机视觉或机器学习领域有扎实的理论基础和丰富的实战经验
具备优秀的编码能力，精通Python/C++，熟悉Linux开发环境
熟练掌握PyTorch或TensorFlow等至少一种深度学习框架
具备较强的数据敏锐度和业务洞察力，能从复杂的业务场景中抽象出清晰的算法问题
自我驱动，具备优秀的沟通协作能力，敢于挑战技术难题
工作职责
负责推荐场景下的基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力，推动推荐向Foundation Model范式演进
突破传统“召回-排序”的漏斗式架构，探索并落地结合多模态的生成式召回技术
研发端到端的推荐模型，探索将召回、粗排等多个模块统一在一个大模型框架内，构建高效的下一代推荐链路
针对推荐广告系统中的多维收益（广告收入、LTV等），设计适用于大模型体系的多目标优化方案，实现多场景下的收益最大化
AI 洞察
优缺点分析
优点
- 百度作为国内头部互联网公司，平台大，技术积累深厚，能接触到业界顶尖的推荐系统和大模型技术
- 岗位方向前沿，涉及Foundation Model、生成式推荐等新技术，对个人技术成长价值高
- 实习薪资在行业内具有竞争力，且有机会获得转正名额
- 推荐系统业务复杂，需要较强的业务理解能力和数据敏锐度，可能需要快速适应和学习
缺点 / 挑战
- 岗位对技术能力要求高，需要扎实的理论基础和丰富的实战经验，面试和实习都有一定挑战
- 互联网大厂工作节奏较快，可能需要应对一定的工作压力
- 适合对推荐系统和大模型技术有浓厚兴趣，具备扎实算法基础和优秀编码能力，希望挑战技术难题的在校学生
角色解读
- 实习期间可深入接触大模型在推荐场景的前沿应用，积累宝贵的实战经验
- 表现优秀者有机会转正，成为百度核心算法团队的一员，参与下一代推荐系统的研发
- 未来可向推荐算法专家、大模型算法专家或技术管理方向发展
- 负责推荐场景下基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力
- 突破传统推荐架构，探索并落地结合多模态的生成式召回技术，研发端到端的推荐模型
- 针对推荐广告系统设计多目标优化方案，实现广告收入和LTV等多维收益的最大化
- 扎实的机器学习理论基础，熟悉推荐系统、NLP或计算机视觉等领域
- 精通Python或C++，熟悉Linux开发环境，具备优秀的编码能力
- 熟练掌握PyTorch或TensorFlow等至少一种深度学习框架
- 具备较强的数据敏锐度和业务洞察力，能从复杂业务场景中抽象出算法问题
申请策略
- 在简历中明确表达你对推荐系统和大模型方向的热情，以及你对百度相关业务的了解
- 面试时准备好介绍你参与过的项目，并清晰阐述你的技术思路和贡献
- 突出推荐系统、NLP或机器学习相关的项目经历，详细描述你的技术方案和成果
- 强调你的编程能力，特别是Python/C++的使用经验，以及PyTorch/TensorFlow等框架的熟练度
- 展示你的数据分析和问题解决能力，例如通过数据洞察优化模型或业务的案例
- 系统复习推荐系统的基础知识，如召回、排序、CTR预估等，并了解大模型在推荐中的应用
- 熟悉PyTorch或TensorFlow的底层实现，了解大模型训练和推理的常用技术
- 可以尝试参与一些开源项目或竞赛，提升实战能力
面试指南
- 回答项目类问题时，可以遵循STAR法则，清晰描述背景、任务、行动和结果，突出你的技术深度和思考
- 回答技术理解类问题时，可以先阐述基础概念，再结合自己的理解进行延伸，展现你的知识广度和深度
- 回答设计类问题时，可以分步骤阐述你的设计思路，并说明每一步的动机和预期效果
- 请详细介绍一下你参与过的推荐系统或机器学习项目，你在其中扮演的角色和贡献是什么？
- 谈谈你对大模型在推荐系统中应用的理解，例如Scaling Law、生成式召回等
- 如何设计一个多目标优化方案来平衡广告收入和用户体验？
- 你如何理解端到端推荐模型？它相比传统漏斗式架构有哪些优势和挑战？
- 请手写一个简单的推荐召回算法，并解释其原理
职位点评
66
综合评分
大厂核心算法实习，前沿技术栈，成长价值极高，但WLB一般。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
更适合这类人
该职位最适合追求技术成长和前沿挑战的求职者，对薪资和WLB要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展95
工作生活40
使命价值70
薪资福利
60中等
作为实习岗位，薪资在行业内有一定竞争力，但稳定性与福利相比正式员工有限。
薪资信号未披露（AI估算：0K-0K/月）
成长发展
95较高
岗位技术方向前沿，涉及大模型、生成式推荐等，能提供极高的技能成长和职业发展价值。
技术前沿前沿/新兴技术
技术栈大模型、推荐系统、Scaling Law、生成式召回、多模态、PyTorch、TensorFlow
业务类型profit_center
工作生活
40较低
实习岗位通常需要现场办公，工作地点在北京或上海，生活便利性一般。
工作模式仅现场办公
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
推荐系统和大模型技术是当前热门赛道，对行业有较大影响力，但岗位的社会价值感相对中性。
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）
百度 的其他在招职位
相似职位推荐
Watch Jobs