微信搜索-生成式检索在视频/电商搜索和Query推荐中的应用落地研究

背景： 利用生成式检索全方面升级现有搜索全链路、解决搜索系统中的核心难题、提升搜索效果并且兼顾搜索成本。 内容：具体研发内容包括但不限于：

1. 01

   视频/电商/Query推荐场景下个性化生成式检索（GR）

2. 02

   基于多模态大模型的视频/电商内容理解和SID构建

3. 03

   基于大模型个性化排序模型

4. 04

   agent技术在搜索场景的应用研究，例如困难样本标注、数据挖掘、数据分析等 挑战：

5. 01

   超大规模物品词表的高效表征： 如何为视频/电商业务场景设计高效的物品ID编码方案（如语义化ID、层次化编码、残差量化RQ-VAE等）以及如何融入协同信号，使生成式模型在超大规模、高动态性的物品空间中仍能高效检索与生成，是生成式推荐模型应用的关键挑战。

6. 02

   搜索多场景统一建模： 工业级搜索引擎通常需要同时服务多个业务场景，在生成式范式下，需要探索"统一基座+场景适配"的架构设计，例如在共享的生成式基座模型上结合场景特殊token与MoE条件路由机制，实现跨场景知识共享与场景特异性建模的平衡，确保模型的灵活性和可扩展性。

7. 03

   生成式排序建模： 基于LLM的世界知识，研究可扩展模型架构、长序列建模与训练推理优化。

8. 04

   面向搜索业务场景的强化学习训练方法: 不同于LLM，搜索场景中的奖励信号稀疏、且天然存在多目标（点击、转化、评论等），使得高效RL训练面临特殊挑战。需要探索适配搜索场景的奖励函数设计、多目标RL优化方法、OPD蒸馏等，在保证训练稳定性的同时有效提升长期用户价值。

学历：博士或者比较突出的硕士，优先博士 专业：计算机、人工智能、大模型等 技术技能要求：技术方向上优先GR、NLP、多模态大模型、强化学习等；有较好的学术能力，有若干顶会论文；熟悉生成式推荐（GR）、大模型后训练；有大模型排序、大模型相关性经验者优先 软性素质要求：较好的学习能力、动手能力、沟通协作能力