（27届 ASP）S&R&A-大规模推荐模型算法工程师

参与生成式推荐基础模型研发，包括 HSTU、OneRec、OneTrans 等新一代推荐模型设计与优化。 探索 LLM、Reasoning、World Knowledge、Sequence Modeling 等能力在推荐系统中的应用，研究生成式与判别式推荐模型统一架构。 研究超大规模推荐模型训练与推理优化，包括 Distributed Training、Model Parallel、MoE、蒸馏、量化、KV Cache、推理加速等关键技术。 参与构建工业级 Foundation Recommendation Model，持续提升模型效果、训练效率与在线 Serving 性能。 与算法、平台、基础架构团队协同，推动生成式推荐技术在全球多国家、多业务场景中的规模化落地

基本要求 2027 届硕士或博士毕业，计算机、人工智能、机器学习、统计学等相关专业。 扎实的数据结构、算法、机器学习及深度学习基础。 熟练掌握 Python，熟悉 C++ 或 CUDA 等高性能编程语言之一。 熟悉至少一种主流深度学习框架（PyTorch、TensorFlow 等）。 具备优秀的问题分析能力、科研能力和工程实现能力，对生成式 AI 与推荐系统充满热情。 优先条件 满足以下一项及以上者优先： 在 NeurIPS、ICML、ICLR、KDD、WWW、SIGIR、ACL、EMNLP、CVPR、ECCV、ICCV 等国际顶级会议发表论文（包括一作或核心贡献）。 具有大厂搜广推、LLM、Agent、AIGC 等方向算法研发实习经历，参与过核心模型研发或线上系统优化。 熟悉 Transformer、LLM、Diffusion、Retrieval、Representation Learning、Sequence Modeling 等主流生成式模型。 在推荐系统、LLM、生成式 AI、强化学习等方向具有深入研究或项目经验。 熟悉大规模模型训练与推理优化，包括 FSDP、DeepSpeed、Megatron、vLLM、TensorRT-LLM、FlashAttention、模型并行等技术。 在 GitHub、Kaggle、开源社区、ACM/ICPC、NOI、CCF 等竞赛或开源项目中取得优秀成绩