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，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：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：基于业务痛点进行底层算法创新，积极参与国际顶会投稿，输出高质量专利与学术论文。

1. 计算机科学、人工智能、机器学习或相关领域的本硕博在校生。 2. 研究背景需涉及以下至少两项：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）、时序预测（时空建模）等。 3. 编程功底扎实（Python/C++），深入理解深度学习原理，熟练掌握PyTorch/TensorFlow。 4. 在顶级学术会议（KDD, SIGIR, NeurIPS等）有高质量论文发表经历，或在大模型相关挑战赛、开源社区有突出贡献者优先。