腾讯
实习微信搜索-生成式检索在视频/电商搜索和Query推荐中的应用落地研究
广州 · 实习 · 博士
长期有效
任职要求
- 学历：博士或者比较突出的硕士，优先博士
- 专业：计算机、人工智能、大模型等
- 技术技能要求：技术方向上优先GR、NLP、多模态大模型、强化学习等；有较好的学术能力，有若干顶会论文；熟悉生成式推荐（GR）、大模型后训练；有大模型排序、大模型相关性经验者优先
- 软性素质要求：较好的学习能力、动手能力、沟通协作能力
岗位描述
【岗位职责】
背景：
利用生成式检索全方面升级现有搜索全链路、解决搜索系统中的核心难题、提升搜索效果并且兼顾搜索成本。
内容：具体研发内容包括但不限于：
（1）视频/电商/Query推荐场景下个性化生成式检索（GR）
（2）基于多模态大模型的视频/电商内容理解和SID构建
（3）基于大模型个性化排序模型
（4）agent技术在搜索场景的应用研究，例如困难样本标注、数据挖掘、数据分析等
挑战：
1、超大规模物品词表的高效表征：
如何为视频/电商业务场景设计高效的物品ID编码方案（如语义化ID、层次化编码、残差量化RQ-VAE等）以及如何融入协同信号，使生成式模型在超大规模、高动态性的物品空间中仍能高效检索与生成，是生成式推荐模型应用的关键挑战。
2、搜索多场景统一建模：
工业级搜索引擎通常需要同时服务多个业务场景，在生成式范式下，需要探索"统一基座+场景适配"的架构设计，例如在共享的生成式基座模型上结合场景特殊token与MoE条件路由机制，实现跨场景知识共享与场景特异性建模的平衡，确保模型的灵活性和可扩展性。
3、生成式排序建模：
基于LLM的世界知识，研究可扩展模型架构、长序列建模与训练推理优化。
4、面向搜索业务场景的强化学习训练方法:
不同于LLM，搜索场景中的奖励信号稀疏、且天然存在多目标（点击、转化、评论等），使得高效RL训练面临特殊挑战。需要探索适配搜索场景的奖励函数设计、多目标RL优化方法、OPD蒸馏等，在保证训练稳定性的同时有效提升长期用户价值。
【任职要求】
学历：博士或者比较突出的硕士，优先博士
专业：计算机、人工智能、大模型等
技术技能要求：技术方向上优先GR、NLP、多模态大模型、强化学习等；有较好的学术能力，有若干顶会论文；熟悉生成式推荐（GR）、大模型后训练；有大模型排序、大模型相关性经验者优先
软性素质要求：较好的学习能力、动手能力、沟通协作能力
【技术方向】
多模态、视觉、语音
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 运营 岗位的常见面试问题整理
我提到了电竞方面，另一个面试官就问我对于ig战队（lol）的看法，然后一道情景题：公司和ig方面有合作，怎样运营才能吸引ig粉丝使用我们产品
查看答题思路
1. 电竞营销=粉丝经济，核心是社区运营而非传统广告 2. 跨界合作：战队/选手/IP 联名，借粉丝流量 3. 内容策略：比赛直播/选手日常/粉丝二创/社区活动 4. 案例：用 STAR 讲一个电竞相关的运营策划
另一个面试官看我的专业（偏设计）就问我愿不愿意做产品设计方向，让我发作品集 大概就这些 #咪咕#<a href="/creation/subject/928d551be73f40db82c0ed83286c8783" target="_blank" class="s
查看答题思路
1. 核心概念：一句话说清这个问题的底层逻辑 2. 方法论/框架：用 STAR 原则或专业框架结构化回答 3. 实际案例：结合一个具体场景说明 4. 量化结果：用数据佐证你的观点
你认为内容运营需要具备哪些能力
查看答题思路
1. 内容运营=创作有价值的内容→分发到正确渠道→吸引目标用户→促成转化 2. 核心能力：选题能力（知道用户想看什么）、写作能力、数据分析能力（用数据迭代内容策略） 3. 生命周期：选题→创作→审核→发布→分发→数据回收→优化→二次传播 4. 优质内容标准：原创/有用/有趣/有共鸣/有行动引导
谈谈你理解的内容生命周期
查看答题思路
1. 真诚：为什么对这个方向感兴趣（具体经历/瞬间） 2. 匹配：你的能力和这个岗位的契合点 3. 成长：你希望从这个岗位学到什么 4. 贡献：你能为团队带来什么
自我介绍
查看答题思路
1. 我是谁（姓名+学校+专业，15秒） 2. 我做过什么（最相关的 1-2 个经历，30秒） 3. 为什么适合这个岗位（能力匹配，15秒） 4. 总时长控制在 1 分钟以内 5. 避免：念简历、说「我学习能力强」这种空话
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。