腾讯集团
游戏内容分发中的生成式推荐：语义ID、受限解码与多模态对齐
岗位职责
课题背景： 当前主流推荐技术仍停留在ID-Based的判别式浅层深度学习主导的DLRM系统，这与以Transformer架构/强化学习为代表的生成式AI技术之间存在显著的“技术代差”，Scaling Law已成为当前AI模型学习的基本准则，但是在推荐系统领域中的探索比较匮乏。因此，推荐系统的业界正在迫切地引入生成式AI的技术能力，推动推荐系统向生成式推荐（Generative Recommendation）的范式演进。 关于生成式推荐，可以从以下几个方向深入研究：
标识符设计: 如何设计适合 LLM 生成且具有语义信息的 Item ID (例如用层级目录树编码)，而不是无意义的数字ID；
受限生成与效率: 如何保证 LLM 生成的结果必须在有效的物品库内，并且在大规模场景下满足低延迟要求？（例如：结合 Trie 树的受限解码、蒸馏小模型）；
多模态对齐: 如何将物品的图像、文本描述与 ID 嵌入在 LLM 的隐空间中对齐，实现多模态生成式推荐；
显式推理引导生成：将“显式推理”引入生成式推荐，使模型在推荐前能先思考用户偏好与物品关系，从而在给出推荐结果的同时，生成可读推理链条。 课题价值：
推动推荐范式从“判别式打分”升级为“可生成、可组合、可解释“，在复杂语境（任务、剧情阶段、社交关系、实时意图）下实现更强的泛化与组合能力；
契合游戏场景的“强语境+强多模态+强实时”特点；
显著提升“可控性、可解释性与运营可用性”，引入显式推理/链路输出后，可以产出“为什么推荐这个”“满足哪些偏好/缺口”的解释；
形成可复用的工程方法论与资产，围绕“语义ID设计、受限解码、Trie/FAISS检索、蒸馏小模型、多模态对齐、推理约束”形成一套可迁移的技术栈；
学术与产业结合点清晰，易产出高质量论文/专利。 课题挑战：
“生成结果必须在物品库内”的硬约束与幻觉问题；
大规模低延迟：生成式推荐的在线成本与吞吐压力，推荐链路通常要求毫秒级~几十毫秒级延迟，且QPS高。LLM推理成本高，受限解码又会增加解码开销； 挑战包括：KV Cache、批处理、并行、模型蒸馏、小模型对齐、分层路由（简单请求走传统模型，复杂语境走生成式）、以及端到端延迟预算拆解；
语义ID/标识符设计的“表达力—稳定性—可维护性”矛盾；
多模态对齐与冷启动：物品图文与行为序列的统一建模，游戏物品的图像（皮肤/角色立绘）、文本描述（技能/背景）、结构化属性（数值/稀有度）差异很大，在对齐方面存在较大的挑战；
显式推理的真实性与可控性；
评测体系缺口：离线指标难以覆盖在线业务目标，生成式推荐不仅关心NDCG/Recall，还关心：
合规与安全（禁推、未成年人、版本节奏）；
多样性/新颖性/探索；
解释可用性与一致性；
线上转化与长期留存；需要构建覆盖“效果-效率-可控-安全-可解释”的综合评测与A/B框架；
数据与隐私：训练语料构建、脱敏与合规。 具体工作： 参与生成式大模型的研发与效果评估，从SID生成、模型架构、评估方式等方面优化模型效果，参与超大规模游戏场景的上线应用与效果调优
任职要求
包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；
熟练掌握LLM\机器学习\推荐算法相关的基本原理及应用，熟悉caffe、tensorflow，pytorch等至少一个深度学习框架；
较强的工程实现能力，熟悉 Shell/Python/Matlab 至少一种编程语言；
加分项：发表过顶会文章，有维护过具有一定影响力的开源项目。 此课题同时招聘应届实习生和低年级实习生。
信息来自企业官方招聘渠道
OfferSeek 对公开岗位信息进行聚合、去重和结构化整理，最终申请以企业官方页面为准。