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": "广告场景下的生成式搜广推大模型技术研究-Ads Core（北京/上海）",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"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：Computer Science",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：广告核心团队在不同的广告投放阶段建立关键的变现机制\n1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。\n2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。\n3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。\n\n课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。\n我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。\n\n课题挑战：\n1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型；\n2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了；\n3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。\n\n课题价值：\n突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。",
"requirements_text": "1、2027届毕业，获得博士学位：Computer Science, Statistics, Operation Research, Applied Mathematics, Physics or similar quantitative fields；\n2、在LLM/生成式/RL等方向有研究经验优先，在推荐/广告场景有相关迭代经验的同学加分；\n3、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，ACM获奖者优先；\n4、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n5、扎实的机器学习基础，熟悉TensorFlow/Pytorch/MXNet相关框架，有顶会发表优先；\n6、对技术有热情，有出现的问题发现/分析/解决能力，有自主探究能力。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"机器学习",
"数据结构"
],
"preferred_qualifications": "2、在LLM/生成式/RL等方向有研究经验优先，在推荐/广告场景有相关迭代经验的同学加分；3、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，ACM获奖者优先；4、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；5、扎实的机器学习基础，熟悉TensorFlow/Pytorch/MXNet相关框架，有顶会发表优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7628897435802208517/detail"
}
]
},
"posting": {
"posting_id": "7628897435802208517",
"post_date": "2026-04-15",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7628897435802208517/detail"
},
"fulltext": "广告场景下的生成式搜广推大模型技术研究-Ads Core（北京/上海）\n职位描述\n团队介绍：广告核心团队在不同的广告投放阶段建立关键的变现机制\n1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。\n2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。\n3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。\n\n课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。\n我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。\n\n课题挑战：\n1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型；\n2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了；\n3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。\n\n课题价值：\n突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。\n\n职位要求\n1、2027届毕业，获得博士学位：Computer Science, Statistics, Operation Research, Applied Mathematics, Physics or similar quantitative fields；\n2、在LLM/生成式/RL等方向有研究经验优先，在推荐/广告场景有相关迭代经验的同学加分；\n3、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，ACM获奖者优先；\n4、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n5、扎实的机器学习基础，熟悉TensorFlow/Pytorch/MXNet相关框架，有顶会发表优先；\n6、对技术有热情，有出现的问题发现/分析/解决能力，有自主探究能力。\n团队介绍：广告核心团队在不同的广告投放阶段建立关键的变现机制\n1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。\n2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。\n3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。\n\n课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。\n我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。\n\n课题挑战：\n1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型；\n2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了；\n3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。\n\n课题价值：\n突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。\n1、2027届毕业，获得博士学位：Computer Science, Statistics, Operation Research, Applied Mathematics, Physics or similar quantitative fields；\n2、在LLM/生成式/RL等方向有研究经验优先，在推荐/广告场景有相关迭代经验的同学加分；\n3、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，ACM获奖者优先；\n4、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n5、扎实的机器学习基础，熟悉TensorFlow/Pytorch/MXNet相关框架，有顶会发表优先；\n6、对技术有热情，有出现的问题发现/分析/解决能力，有自主探究能力。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}