面向电商推荐场景的大模型技术应用

1. 生成式推荐模型研发： 基于 Transformer 与 LLM 架构，设计并优化面向电商场景的生成式推荐模型，提升用户转化； 2. 电商推荐 Reasoning 探索： 研究推荐过程中的推理能力（Reasoning），利用思维链（CoT）或模型内置推理提升推荐结果的逻辑性与准确度； 3. 模型后训练与对齐（Post-training & Alignment）： 负责大模型全生命周期的微调与对齐，包括高质量 SFT 数据构建、指令微调，以及利用 RL 技术驱动模型性能演进； 4. 前沿技术转化与原创突破： 不满足于 SOTA 成果的复现，能够基于业务痛点进行底层算法创新。 积极参与国际顶会（KDD, SIGIR, NeurIPS 等）投稿，输出高质量专利与学术论文，引领行业技术演进。

1. 获得本科及以上学历，计算机科学、人工智能、机器学习等相关专业； 2. 具备以下至少两项核心研究背景：大模型微调（SFT/指令跟随）、强化学习（RLHF/对齐算法）、表征学习（Embedding/对比学习）或时序预测（时空建模）； 3. 具备扎实的Python或C++编程功底，深入理解深度学习原理，熟练掌握PyTorch或TensorFlow等主流框架； 4. 在KDD、SIGIR、NeurIPS等顶级学术会议有高质量论文发表记录，或在大模型相关挑战赛、开源社区有突出贡献。