面向国际电商场景的大模型应用-国际电商（新加坡）LLM Applications for International E-commerce Scenarios-Global E-Commerce (Singapore)

新加坡 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

2027届毕业，获得博士学位，计算机科学、人工智能、数学或相关专业
人工智能/机器学习专业能力：对深度学习、自然语言处理、计算机视觉、强化学习、生成式模型或多模态学习领域有深入理解及相关研究经验
编程与工程能力：熟练掌握主流编程语言及机器学习框架（如PyTorch、TensorFlow），同时具备出色的问题解决能力、自主学习能力与团队协作能力。
加分项
学术能力：在国际人工智能/计算机领域顶级会议或期刊（如NeurIPS、ICML、ICLR、CVPR、ACL、KDD、SIGIR、WWW）发表过论文，或在权威算法竞赛中取得优异名次
领域实践成果：主导或参与过搜索、广告、推荐系统或大语言模型（LLMs）相关核心项目，具备实操经验
高级多模态应用能力：在多模态大模型领域具备专项技术专长，尤其擅长长文本处理，或拥有影视剧集领域相关应用落地经验。
Education & Foundation: Ph.D. in Computer Science, AI, Mathematics, or a related field, with a strong foundation in data structures, algorithms, and mathematical modeling
AI/ML Expertise: Solid understanding and research experience in Deep Learning, NLP, CV, Reinforcement Learning, Generative Models, or Multimodal Learning
Coding & Engineering: Proficient in major programming languages and machine learning frameworks (e.g., PyTorch, TensorFlow), combined with excellent problem-solving, self-learning, and teamwork skills.
Preferred Qualifications
Academic Excellence: Proven track record of publications in international AI/CS conferences or journals (e.g., NeurIPS, ICML, ICLR, CVPR, ACL, KDD, SIGIR, WWW) or top rankings in recognized algorithmic competitions
Domain-Specific Impact: Hands-on experience in leading or participating in key projects related to Search, Advertising, Recommendation systems, or Large Language Models (LLMs)
Advanced Multimodal Applications: Specialized expertise in multimodal large models, particularly in long-text processing or applications within the film and television drama domains.

岗位描述

团队介绍：国际电商是以TikTok为载体的电商业务（也称为TikTok Shop），致力于成为用户发现并获取优价好物的首选平台，在直播电商、视频内容电商、货架电商等多场景下，国际电商希望能为用户提供更个性化、更主动、更高效的消费体验，为商家提供稳定可靠的平台服务，致力于新奇好物畅销全球，美好生活触手可得的使命。

Data-电商团队是国际电商的核心算法技术力量，专注于电商领域的算法创新，帮助用户高效发现感兴趣的商品，保障用户的购物安全，提升交易各环节的智能化水平。在这里，你将与一流的产品和技术团队合作、钻研，一起应对技术和业务上的挑战，推动技术在电商场景的深度落地。

课题介绍：

国际电商生态中沉淀了用户行为、商品图文、多媒体内容、商品销量与物流时序等海量异构数据，但传统模型在长周期预测、跨模态理解及复杂决策推理上仍存在明显瓶颈。

本课题拟以大模型为基础，联合构建面向国际电商场景的基础大模型，将用户、商品、内容、物流与库存等关键信息统一建模，并在其之上设计可插拔的Agent框架，系统整合任务规划、工具调用、多轮交互与环境感知等能力，从而在需求预测、流量分发与个性化推荐等链路中实现端到端的智能决策。

课题挑战：

1、异构融合与对齐：统一建模用户行为序列、商品销量时序信号与多模态商品内容，完成高维时序与图文表征的深度语义对齐；
2、推荐大模型与世界模型协同：把推荐问题定义还原为用户推荐列表的生成问题，基于大模型的技术完成端到端推荐建模；
3、推荐物品的Tokenizor：如何把亿级别的物品进行多模态和特征语义编码，支撑后续训练和生成任务，处理几十TB级别的用户行为Tokens的预训练，通过模型结构和训练方式拉高Scaling Law曲线，把各类推荐任务重构为后训练任务，以RLVR的思路进行推荐任务建模，最大化GMV和体验价值，训练推理优化，基于SGLang 等大模型推理套件定制构建高性能的推荐服务；
4、电商多模态大模型：构建面向电商领域的多语言多模态大模型，在核心电商场景达到SOTA性能，并以此为基础打造电商智能体基座，广泛支撑各类电商场景下的Agent应用落地；
5、Agent评测与安全合规：构建贴合实际业务的Agent评测指标与基准，保障在强约束、强对抗环境下的稳定性、安全性与合规性。

课题价值：

1、技术价值：打造通用多模态基座，以模型、数据、算力迭代实现幂律增长，夯实规模化技术底座；
2、业务价值：搭建国际电商大模型底座，以生成式推荐、时序大模型、Agent等驱动GMV与留存，打造高杠杆营收引擎。

Topic Content:

In today’s global e-commerce landscape, intelligent systems must operate across increasingly complex and dynamic business environments. Yet existing approaches still face limitations in long-horizon forecasting, cross-modal understanding, and holistic decision-making.This initiative is focused on building a next-generation foundational large model purpose-built for global e-commerce applications. The model will integrate key business dimensions—such as users, products, content, logistics, and inventory—into a unified representation to support deep, context-aware intelligence at scale.Building on this foundation, we are developing a modular, agent-driven architecture that enables advanced capabilities including task planning, tool use, multi-turn reasoning, and real-world environment interaction.Together, these innovations aim to power end-to-end intelligent decision-making across critical e-commerce scenarios, including demand forecasting, traffic optimization, and personalized recommendation systems.

Topic Challenges:

1.Heterogeneous fusion and alignment;
2.Synergy between recommendation LLMs and world models;
3.Tokenizer of recommendation items;
4.Multimodal large models for e-commerce;
5.Agent evaluation, safety, and compliance.

Topic Value:

1.Technical value: Building a general-purpose multimodal foundation to enable power-law scaling through iterative advancements in models, data, and compute, thereby strengthening the infrastructure for scalable AI foundations;
2.Business value: Establishing a global e-commerce foundation model to drive GMV growth and user retention through generative recommendation, time-series large models, and agent-based systems, ultimately creating a high-leverage revenue engine.

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →