阿里巴巴
校招多模态多语言搜索算法研究-阿里星/Bravo Star
杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索；
- 2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解；
- 3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用；
- 4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。
岗位描述
- 1.跨语言预训练对齐：基于 Agent 构建多语言语料样本挖掘链路，通过跨语言 Pre-training 与 Post-training 技术提升多语言相关性模型的准确率与召回率；
- 2.多意图品商混搜：基于大模型推理能力实现多意图识别，区分商品检索 / 供应商发现 / 制造能力评估等复合意图，设计与优化品商混合搜索召回与多目标排序；
- 3.稀疏样本建模：研究 Few-shot / Zero-shot Learning、合成数据增强、领域自适应迁移等，建立长尾品类与冷启供应商的表征学习范式；
- 4.多模态与深度搜索：研究图文联合检索与跨模态表征学习，探索 LLM + RL 驱动的复杂采购诉求渐进式拆解与多轮推理；
- 5.Agent 驱动的搜推自动化：基于 LLM Agent 构建搜推全链路自动化工作流，实现多语言样本自动化采集标注、内外站体验对比评测与 Bad Case 智能诊断；
- 6.前沿技术探索：跟踪 NLP / IR / Multimodal / LLM Agent 前沿，产出高水平论文与专利。
- 1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索；
- 2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解；
- 3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用；
- 4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。
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。