大模型推荐算法工程师

深度理解用户行为，挖掘、分析和设计高效的用户、物品、上下文特征。参与构建高性能、一体化的特征平台，保障训练和线上推理阶段特征数据的一致性、实时性和可靠性。优化训练样本的处理流程，包括样本构造、负采样策略优化，并解决样本偏差、线上线下一致性等数据层面的挑战；

参与推荐系统全链路（召回、粗排、精排、重排）的算法迭代，负责双塔模型、Graph Embedding、向量化召回等核心算法的模型迭代、训练和调优。深度参与A/B实验的全过程，包括实验设计、上线、效果监控及数据分析，持续优化点击率、主动输入率、留存率等核心业务指标；

应用模型压缩技术（如量化、剪枝、蒸馏）优化线上推理性能，降低计算成本并提升响应速度；

紧跟业界前沿（如LLM、多模态、强化学习），探索生成式AI在推荐召回中的前沿应用，并推动其在业务场景中的落地验证与性能提升；

推进大模型在推荐系统中的关键技术研发与落地，包括但不限于RAG、语义召回、多模态内容理解、排序优化及Agent应用等前沿方向，提升推荐系统的智能化水平；

构建高质量的训练和评估数据集，完成大语言模型在垂直领域的持续预训练、SFT、RLHF等任务，设计合理的离线与在线评估指标，对模型效果进行科学严谨的分析，并结合业务需求优化模型效果与性能；

利用大模型的表征能力与推理能力，构建精准的物品表征与用户兴趣表征，并实时预测用户意图，为个性化推荐提供核心洞察；

将算法模型进行原型实现、性能优化，并协助推动在真实业务场景中的落地和A/B测试，在保障推荐效果的同时，显著降低计算成本、提升系统响应效率；

紧跟业界前沿（如LLM、多模态、强化学习），探索基于大模型的生成式推荐、序列推荐和端到端推荐等推荐系统新范式，推动推荐系统技术架构的演进与升级；