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": "微信搜索-视频搜索算法高级工程师-生成式召回",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "WXG",
"location": "广州",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "腾讯",
"company_industry": "互联网 / 科技 / 人工智能",
"company_size": "10000人以上",
"company_website": "tencent.com",
"company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.我们负责微信视频搜索全链路的算法优化，涵盖召回、排序、混排及用户体验等所有核心环节，提升用户搜索体验和留存等核心指标；\r\n2.进一步探索大模型与海量数据深度结合，打造高效智能的下一代视频搜索范式，负责视频搜索-生成式召回工作，包括但不限于用户长短期行为兴趣建模、视频多模态语义理解、语义ID（SID）码本聚类与量化、基于大语言模型（LLM）或Encoder-Decoder架构，通过SFT（监督微调）和RL（强化学习/偏好优化，如GRPO）等方法，优化模型在搜索query和用户行为序列上自回归生成目标语义ID的能力，实现端到端的高效召回。",
"requirements_text": "1.有较强的工程实现能力，熟悉C++、Python 和 Pytorch；\r\n2.熟悉机器学习、深度学习和强化学习基础理论，对 RL 算法（如 PPO、DPO、GRPO 等） 有扎实理解和实践经验；\r\n3.在生成式检索或生成式推荐方向有实践落地。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"机器学习",
"深度学习",
"强化学习"
],
"preferred_qualifications": "1.在 NeurIPS、ICML、ICLR、KDD、WWW、ACL、CVPR 等顶会发表 RL、Agent 或搜广推相关论文；\r\n2.有大模型 + RL 实际项目经验（如 reward modeling、策略微调）。",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers.tencent.com/jobdesc.html?postId=2091832513138966528"
}
]
},
"posting": {
"posting_id": "2091832513138966528",
"post_date": "2026-09-03",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers.tencent.com/jobdesc.html?postId=2091832513138966528"
},
"fulltext": "微信搜索-视频搜索算法高级工程师-生成式召回\n渴望为世界带来新意的人，早已对描绘未来的“热词”不陌生——人工智能、机器学习、数据科学等等。腾讯始终在业界前沿不断探索，积极布局，并为优秀的你提供无限广阔的舞台。我们坚信科技的不断革新，最终能带来美好的、撼动人心的改变。\n1.我们负责微信视频搜索全链路的算法优化，涵盖召回、排序、混排及用户体验等所有核心环节，提升用户搜索体验和留存等核心指标；\r\n2.进一步探索大模型与海量数据深度结合，打造高效智能的下一代视频搜索范式，负责视频搜索-生成式召回工作，包括但不限于用户长短期行为兴趣建模、视频多模态语义理解、语义ID（SID）码本聚类与量化、基于大语言模型（LLM）或Encoder-Decoder架构，通过SFT（监督微调）和RL（强化学习/偏好优化，如GRPO）等方法，优化模型在搜索query和用户行为序列上自回归生成目标语义ID的能力，实现端到端的高效召回。\n1.有较强的工程实现能力，熟悉C++、Python 和 Pytorch；\r\n2.熟悉机器学习、深度学习和强化学习基础理论，对 RL 算法（如 PPO、DPO、GRPO 等） 有扎实理解和实践经验；\r\n3.在生成式检索或生成式推荐方向有实践落地。\n1.在 NeurIPS、ICML、ICLR、KDD、WWW、ACL、CVPR 等顶会发表 RL、Agent 或搜广推相关论文；\r\n2.有大模型 + RL 实际项目经验（如 reward modeling、策略微调）。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}