美团
校招【北斗】AI决策算法研究员（外卖/即时零售方向）
北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 【任职资格】
- 2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：
- 1.在顶级期刊或学术会议（NeurIPS/ICML/ICLR/KDD/AAAI/OR等）以第一作者身份发表论文（或导师一作，自己为二作）。
- 2.在顶级大赛（ACM-ICPC/Kaggle等）上获奖。
- 3.有大厂实验室实习经验，或有贡献突出的开源项目。
- 加分项：
- 1.有强化学习、运筹优化、因果推断、时空建模方向的研究背景；熟悉LLM与决策科学融合的前沿方向。
- 【为什么是我们】
- 1.真实战场：千万级日订单、百万级骑手，全球最大规模即时配送决策系统。
- 2.资源保障：充足GPU集群，顶尖模型Token供给。
- 3.成果导向：鼓励顶会发论文，团队已获Franz Edelman奖。
- 4.高密度氛围：博士比例高，与顶尖高校保持长期联合研究。
岗位描述
【岗位职责】
【愿景】
美团配送决策智能中心承接全球最大规模即时配送业务，每天处理千万级订单、调度百万级骑手，团队曾获2023年Franz Edelman奖（工业工程界"诺贝尔奖"），已发表数十篇AI顶会论文。我们正在用AI重新定义即时配送的决策边界。
【你将参与】
- 1.智能调度与端到端决策：基于深度学习、强化学习对调度系统中的过滤、压单、指派、改派等多样决策行为进行端到端建模，探索LLM+RL驱动的新一代调度决策范式，实现多对一订单-骑手匹配的分布式实时全局优化。
- 2.时间预估与时空基础模型：研究LLM与时空数据的深度融合，构建新一代时空基础模型，突破传统判别式模型上限，提升复杂场景下的泛化精度与序贯规划能力。
- 3.骑手定价与因果决策：研究因果推断与大规模运筹优化在骑手定价中的前沿应用，构建高鲁棒性因果弹性模型，在预算约束下生成最优调价方案，最大化运力供给与用户体验。
- 4.供需平衡与智能调控：探索供需预测、运力调控的序贯决策优化，研究LLM增强的因果推断与反事实推演，实现从"数据相关性分析"到"因果性决策"的跨越。
【任职要求】
【任职资格】
2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：
- 1.在顶级期刊或学术会议（NeurIPS/ICML/ICLR/KDD/AAAI/OR等）以第一作者身份发表论文（或导师一作，自己为二作）。
- 2.在顶级大赛（ACM-ICPC/Kaggle等）上获奖。
- 3.有大厂实验室实习经验，或有贡献突出的开源项目。
加分项：
- 1.有强化学习、运筹优化、因果推断、时空建模方向的研究背景；熟悉LLM与决策科学融合的前沿方向。
【为什么是我们】
- 1.真实战场：千万级日订单、百万级骑手，全球最大规模即时配送决策系统。
- 2.资源保障：充足GPU集群，顶尖模型Token供给。
- 3.成果导向：鼓励顶会发论文，团队已获Franz Edelman奖。
- 4.高密度氛围：博士比例高，与顶尖高校保持长期联合研究。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。