【北斗】大模型算法工程师—生成式搜推广告算法

北京/上海 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

【任职资格】
必要条件：
1.2027届本科及以上学历，计算机、人工智能等相关专业；
2.熟练掌握 Python，熟悉 PyTorch 等主流深度学习框架；
3.扎实的机器学习/深度学习理论基础，对推荐系统、NLP、多模态、LLM 中至少一个方向有深入研究或项目经验；
加分项：
1.在 NeurIPS、ICML、ICLR、KDD、WWW、RecSys 等顶会发表论文；
2.ACM-ICPC、Kaggle 等顶级算法竞赛获奖；
3.有大厂广告/推荐系统相关实习经验。
【为什么是我们】
1.高价值课题，真实场景验证：多模态理解、LLM 与协同信号融合、生成式召排均为工业界广告算法的核心攻坚方向，研究成果直接在日均亿级请求的线上系统中验证，兼顾技术前沿性与业务落地价值。
2.充足算力保障：配备充裕 GPU 集群资源，大规模模型训练与 Scaling 实验不受资源瓶颈制约。
3.学术与业务双向转化：技术方向与 NeurIPS、KDD、RecSys 等顶会研究高度对齐，支持论文产出；研究成果同步快速上线，实现学术影响力与业务价值双收。
4.强带教，深度成长：资深算法专家 1v1 全程指导，深度参与核心技术方案与实验决策，获得系统性的工业界算法研发训练，而非边缘支撑性工作。

岗位描述

【岗位职责】

【愿景】

我们致力于构建健康的本地商业生态，通过为平台客户和消费者提供符合其需求的多元、便捷、高效的商业产品和服务，帮助生态伙伴提高效率、优化经营、实现持续健康发展，推动本地商业数字化营销的发展，促进商业生态繁荣。

【你将参与】

1. 多模态理解与表征技术研究：运用多模态技术理解异构本地生活供给（图文/商品/门店/短视频），通过跨模态对齐、多模态预训练、SID编码等方式为召排模型提供高质量表征输入。
2. LLM 与协同信号融合建模：将 LLM 的语义理解与推理能力和协同过滤信号深度融合，通过指令微调、CoT 推理增强、协同信号注入等方式，构建兼具行为记忆力与语义泛化力的统一广告模型。
3. 生成式召排链路升级：探索生成式技术对召回、预估、重排的系统性改造，推动广告系统端到端统一建模；研究广告场景下 Scaling 规律，建立模型规模与业务指标的可预测转化关系。
4. Agent 自迭代能力构建：探索基于 LLM 的广告系统自演进框架，利用 Multi-Agent 自动化特征工程、样本挖掘、实验分析等研发环节，构建模型基于线上反馈持续自迭代的能力。

【任职要求】

【任职资格】

必要条件：

1.2027届本科及以上学历，计算机、人工智能等相关专业；
2.熟练掌握 Python，熟悉 PyTorch 等主流深度学习框架；
3.扎实的机器学习/深度学习理论基础，对推荐系统、NLP、多模态、LLM 中至少一个方向有深入研究或项目经验；

加分项：

1.在 NeurIPS、ICML、ICLR、KDD、WWW、RecSys 等顶会发表论文；
2.ACM-ICPC、Kaggle 等顶级算法竞赛获奖；
3.有大厂广告/推荐系统相关实习经验。

【为什么是我们】

1.高价值课题，真实场景验证：多模态理解、LLM 与协同信号融合、生成式召排均为工业界广告算法的核心攻坚方向，研究成果直接在日均亿级请求的线上系统中验证，兼顾技术前沿性与业务落地价值。
2.充足算力保障：配备充裕 GPU 集群资源，大规模模型训练与 Scaling 实验不受资源瓶颈制约。
3.学术与业务双向转化：技术方向与 NeurIPS、KDD、RecSys 等顶会研究高度对齐，支持论文产出；研究成果同步快速上线，实现学术影响力与业务价值双收。
4.强带教，深度成长：资深算法专家 1v1 全程指导，深度参与核心技术方案与实验决策，获得系统性的工业界算法研发训练，而非边缘支撑性工作。

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 →