百度
生成式排序模型算法工程师（J104592）
生成式排序模型算法工程师（J104592）
发布于 大约 4 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Deepfm
Din
Pytorch
Tensorflow
多模态
强化学习
推荐系统
生成式模型
值不值得投
72综合评分
综合评分 72
技术前沿、成长快、薪资优厚，但工作强度可能较大。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
30K
比算法优化工程师中位数高
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 2880 个在招 · 其中算法优化工程师 2 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 120 个在招
职位详情
关于这个职位
这是一个面向2027届硕博生的校招算法岗位，加入百度核心的推荐广告团队，专注于生成式排序模型与多模态大模型在推荐场景的研发与落地
你将参与前沿技术探索、模型优化与工程落地，适合对搜推、大模型有浓厚兴趣并希望深入产业实践的同学
最低要求
届计算机、数学、自动化等相关专业在校硕士或博士生
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
- 深度参与生成式AI、大模型等前沿技术在工业界的落地，技术成长快
- 公司平台大，资源丰富，有导师指导，有利于应届生快速融入和成长
- 技术栈更新快，需要持续学习，保持对前沿技术的敏感度
- 作为校招生，需要快速适应工业界的工程实践，将学术知识转化为业务价值
- 适合对推荐系统、大模型有浓厚兴趣，具备扎实机器学习基础，并希望在工业界前沿技术领域快速成长的高年级硕博生
缺点 / 挑战
- 加入百度核心推荐广告业务，业务场景复杂且数据量大，技术挑战高
- 推荐广告业务对算法效果要求极高，工作压力大，可能面临高强度的工作节奏
角色解读
- 作为校招生，将在导师指导下快速成长，从参与具体模块到独立负责算法方向
- 可向推荐算法专家或大模型算法专家方向发展，成为团队核心技术骨干
- 未来有机会晋升为技术Leader，带领团队探索前沿算法并推动业务落地
- 研发推荐广告场景下的生成式排序模型，探索Transformer及序列化建模在CTR/CVR预估中的应用
- 参与多模态大模型在推荐场景的落地实验，重构广告基础表征体系，提升语义理解能力
- 进行大模型训练/推理优化，如量化、高效注意力机制，并探索强化学习优化长期价值
- 跟踪前沿学术论文，负责算法复现、评测，并配合工程团队进行数据分析和A/B测试
- 扎实的机器学习基础，熟悉Transformer、DeepFM、DIN等主流搜推模型
- 熟练掌握Python，精通PyTorch或TensorFlow至少一种框架
- 具备良好的算法与数据结构基础，代码风格严谨
- 极强的学习能力和好奇心，能快速阅读英文文献并上手新技术
申请策略
- 在简历中明确表达对推荐广告业务的理解和兴趣，展示与岗位的匹配度
- 面试前深入了解百度的推荐广告业务和AI技术布局，思考如何将自身技能与业务结合
- 突出机器学习、深度学习相关的项目经验，特别是推荐、搜索、广告相关项目
- 强调对Transformer、DeepFM等模型的理解和实际应用，如有论文或竞赛经历务必重点展示
- 展示扎实的编程能力，如Python、PyTorch/TensorFlow的熟练使用，以及良好的代码风格
- 如有大模型、多模态、强化学习等前沿方向的研究经验，应重点突出
- 系统复习推荐系统经典模型（如DeepFM、DIN），并深入理解Transformer架构
- 动手实现一个简单的生成式模型或大模型微调项目，加深对模型原理和训练流程的理解
面试指南
- 回答项目经验时，采用STAR法则（情境、任务、行动、结果），突出个人贡献和量化成果
- 回答技术原理时，先阐述核心概念，再结合具体应用场景，展现深度理解
- 回答业务理解问题时，结合对百度业务和行业趋势的了解，展示思考深度
- 请详细介绍一下你在推荐系统或大模型方面的项目经验，你具体负责了哪些部分？
- 请解释Transformer模型的核心原理，以及它如何应用于推荐排序任务？
- 如何评估一个推荐模型的效果？除了CTR、CVR，还有哪些关键指标？
- 在训练大模型时，你了解哪些优化技术（如量化、分布式训练）？
- 为什么选择百度？你对推荐广告业务有什么理解？
职位点评
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利
75中等
作为上市巨头企业的校招算法岗，薪资待遇在行业内具有竞争力，但具体薪资未在JD中披露，需面议。
薪资信号面议 (25K-35K/月)
成长发展
90较高
岗位涉及生成式模型、多模态大模型等前沿技术，技术含量高，且有导师指导，对个人技能成长和职业发展非常有利。
技术前沿前沿/新兴技术
技术栈Transformer、DeepFM、DIN、生成式模型、GPT、LLM、PyTorch、TensorFlow、多模态、强化学习
成长机会导师指导
业务类型profit_center
工作生活
40较低
JD未提及具体工作模式，但作为互联网大厂核心业务算法岗，通常需要现场办公，工作强度可能较高。
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
推荐广告是互联网核心业务，技术影响力大，但社会价值中性，主要服务于商业目标。
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
Watch Jobs