主分类：搜索推荐与业务决策算法研发
辅助：大模型与生成式算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型驱动的内容生产与分发：IP跨体裁生成与LLM推荐 - 番茄",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "上海、杭州、北京、深圳",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "获得博士学位",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：Data-番茄团队，负责字节跳动下番茄小说、红果短剧、番茄畅听、国际化短剧等产品的推荐算法和AI相关工作。我们的工作包括优化业界前沿的大规模推荐系统，探索LLM与推荐的结合，并落地生成式推荐范式，从小说、短剧、音频、音乐等内容方向建设完整的内容生态和AI能力，保持业务规模保持超高速增长。\n\n课题介绍：\n番茄系聚合海量故事IP，今日头条拥有丰富内容形态，但生产与分发仍面临改编链路长、成本高，以及推荐过度依赖稀疏ID、对新内容/低活用户不友好等问题。本课题以多模态大模型为底座：在番茄通过LLM创作提效与结构化内容理解，构建IP资产并打通“小说→剧本→分镜→动态漫/短剧/音频”的生成与辅助创作；在小说、短剧、今日头条把内容理解信号融入推荐建模，提升兴趣捕捉与可解释分发，最终实现生产与分发协同提升。\n1、大模型推荐和推荐Agent：引入LLM的推理能力，以Seed为基础训练大模型执行推荐任务的能力，推荐Token和自然语言Token联合训练实现模态融合，让推荐系统具备理解自然语言的能力，从而用推荐Agent方式实现更具扩展性的分发交互体验\n2、突出强调利用大模型COT的推理能力，改进被动推荐效果\n3、遵循用户的正向、负向指令的能力，彻底解决用户反馈中“Dislike不生效”、新用户兴趣探索、用户调控推荐画风等难题\n4、在产品中提供和用户进行对话交互的能力，用户可根据自身需求调整推荐的效果\n5、消息推送系统中嵌入大模型的用户-内容推理匹配能力，追求在内容零展、低展的情况下精准、快速的推送给用户，实现极高的推送时效性\n6、构建基于大模型的推荐Agent能力，让大模型能和目前推荐系统业务策略和逻辑能更好的融合和调用\n\n课题挑战：\n1、跨体裁一致性与可控生成；\n2、结构化理解准确可复用；\n3、模型落地成本/时延/轻量化；\n4、LLM与内容的对齐、解码方案探索，包括纯文本方案或基于SID的方案；\n5、LLM推荐指令COT数据集构建和个性化推荐推理能力的训练方法探索；\n6、用户推荐正向、负向指令理解和线上执行能力探索；\n7、推荐系统能力模块化&工具化，推荐Agent设计。\n\n课题价值：\n1、提效降本，提升IP产能与变现；\n2、增强推荐效果与可解释性；\n3、沉淀多模态通用底座；\n4、探索基于LLM推理能力的推荐范式。",
"requirements_text": "1、2027届毕业，获得博士学位，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及生成、推荐广告等相关技术，具备良好的数理基础和自学能力；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态大模型领域有相关经验，尤其在长文本、影视剧领域有经验者优先；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。",
"skills": [AI生成
"机器学习",
"大语言模型"
],
"preferred_qualifications": "1、2027届毕业，获得博士学位，计算机、软件、人工智能、数学等相关专业优先；4、在多模态大模型领域有相关经验，尤其在长文本、影视剧领域有经验者优先；5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7628623984851552517/detail"
}
]
},
"posting": {
"posting_id": "7628623984851552517",
"post_date": "2026-04-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7628623984851552517/detail"
},
"fulltext": "大模型驱动的内容生产与分发：IP跨体裁生成与LLM推荐 - 番茄\n职位描述\n团队介绍：Data-番茄团队，负责字节跳动下番茄小说、红果短剧、番茄畅听、国际化短剧等产品的推荐算法和AI相关工作。我们的工作包括优化业界前沿的大规模推荐系统，探索LLM与推荐的结合，并落地生成式推荐范式，从小说、短剧、音频、音乐等内容方向建设完整的内容生态和AI能力，保持业务规模保持超高速增长。\n\n课题介绍：\n番茄系聚合海量故事IP，今日头条拥有丰富内容形态，但生产与分发仍面临改编链路长、成本高，以及推荐过度依赖稀疏ID、对新内容/低活用户不友好等问题。本课题以多模态大模型为底座：在番茄通过LLM创作提效与结构化内容理解，构建IP资产并打通“小说→剧本→分镜→动态漫/短剧/音频”的生成与辅助创作；在小说、短剧、今日头条把内容理解信号融入推荐建模，提升兴趣捕捉与可解释分发，最终实现生产与分发协同提升。\n1、大模型推荐和推荐Agent：引入LLM的推理能力，以Seed为基础训练大模型执行推荐任务的能力，推荐Token和自然语言Token联合训练实现模态融合，让推荐系统具备理解自然语言的能力，从而用推荐Agent方式实现更具扩展性的分发交互体验\n2、突出强调利用大模型COT的推理能力，改进被动推荐效果\n3、遵循用户的正向、负向指令的能力，彻底解决用户反馈中“Dislike不生效”、新用户兴趣探索、用户调控推荐画风等难题\n4、在产品中提供和用户进行对话交互的能力，用户可根据自身需求调整推荐的效果\n5、消息推送系统中嵌入大模型的用户-内容推理匹配能力，追求在内容零展、低展的情况下精准、快速的推送给用户，实现极高的推送时效性\n6、构建基于大模型的推荐Agent能力，让大模型能和目前推荐系统业务策略和逻辑能更好的融合和调用\n\n课题挑战：\n1、跨体裁一致性与可控生成；\n2、结构化理解准确可复用；\n3、模型落地成本/时延/轻量化；\n4、LLM与内容的对齐、解码方案探索，包括纯文本方案或基于SID的方案；\n5、LLM推荐指令COT数据集构建和个性化推荐推理能力的训练方法探索；\n6、用户推荐正向、负向指令理解和线上执行能力探索；\n7、推荐系统能力模块化&工具化，推荐Agent设计。\n\n课题价值：\n1、提效降本，提升IP产能与变现；\n2、增强推荐效果与可解释性；\n3、沉淀多模态通用底座；\n4、探索基于LLM推理能力的推荐范式。\n\n职位要求\n1、2027届毕业，获得博士学位，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及生成、推荐广告等相关技术，具备良好的数理基础和自学能力；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态大模型领域有相关经验，尤其在长文本、影视剧领域有经验者优先；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。\n团队介绍：Data-番茄团队，负责字节跳动下番茄小说、红果短剧、番茄畅听、国际化短剧等产品的推荐算法和AI相关工作。我们的工作包括优化业界前沿的大规模推荐系统，探索LLM与推荐的结合，并落地生成式推荐范式，从小说、短剧、音频、音乐等内容方向建设完整的内容生态和AI能力，保持业务规模保持超高速增长。\n\n课题介绍：\n番茄系聚合海量故事IP，今日头条拥有丰富内容形态，但生产与分发仍面临改编链路长、成本高，以及推荐过度依赖稀疏ID、对新内容/低活用户不友好等问题。本课题以多模态大模型为底座：在番茄通过LLM创作提效与结构化内容理解，构建IP资产并打通“小说→剧本→分镜→动态漫/短剧/音频”的生成与辅助创作；在小说、短剧、今日头条把内容理解信号融入推荐建模，提升兴趣捕捉与可解释分发，最终实现生产与分发协同提升。\n1、大模型推荐和推荐Agent：引入LLM的推理能力，以Seed为基础训练大模型执行推荐任务的能力，推荐Token和自然语言Token联合训练实现模态融合，让推荐系统具备理解自然语言的能力，从而用推荐Agent方式实现更具扩展性的分发交互体验\n2、突出强调利用大模型COT的推理能力，改进被动推荐效果\n3、遵循用户的正向、负向指令的能力，彻底解决用户反馈中“Dislike不生效”、新用户兴趣探索、用户调控推荐画风等难题\n4、在产品中提供和用户进行对话交互的能力，用户可根据自身需求调整推荐的效果\n5、消息推送系统中嵌入大模型的用户-内容推理匹配能力，追求在内容零展、低展的情况下精准、快速的推送给用户，实现极高的推送时效性\n6、构建基于大模型的推荐Agent能力，让大模型能和目前推荐系统业务策略和逻辑能更好的融合和调用\n\n课题挑战：\n1、跨体裁一致性与可控生成；\n2、结构化理解准确可复用；\n3、模型落地成本/时延/轻量化；\n4、LLM与内容的对齐、解码方案探索，包括纯文本方案或基于SID的方案；\n5、LLM推荐指令COT数据集构建和个性化推荐推理能力的训练方法探索；\n6、用户推荐正向、负向指令理解和线上执行能力探索；\n7、推荐系统能力模块化&工具化，推荐Agent设计。\n\n课题价值：\n1、提效降本，提升IP产能与变现；\n2、增强推荐效果与可解释性；\n3、沉淀多模态通用底座；\n4、探索基于LLM推理能力的推荐范式。\n1、2027届毕业，获得博士学位，计算机、软件、人工智能、数学等相关专业优先；\n2、扎实的机器学习基础，深入理解多模态理解及生成、推荐广告等相关技术，具备良好的数理基础和自学能力；\n3、熟练掌握相关机器学习框架和工程框架，具备扎实的编码能力；\n4、在多模态大模型领域有相关经验，尤其在长文本、影视剧领域有经验者优先；\n5、在计算机科学高水平会议和期刊（如NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、AAAI、KDD、SIGIR、WWW、ACL、PAMI、IJCV等）发表过论文或具备竞赛经验者优先。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}