主分类：大模型与生成式算法研发
辅助：AI训练推理与计算优化（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": "下一代大模型高效推理与生成范式研究-阿里星",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "阿里巴巴控股集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "面向 LLM/AIGC 领域生成效率低、推理成本高、长序列生成受限等核心挑战，本课题聚焦下一代高效生成范式探索，突破传统自回归解码与多步扩散生成的效率瓶颈，为大模型推理加速提供新的算法范式和技术路径。\n1. 探索面向 LLM 的新型高效生成范式，包括 Diffusion LLM、Parallel Thinking、半自回归生成等方向，提升语言模型在长文本、复杂推理和多步任务中的生成效率。\n2. 探索多模型协作的部署方案，面向大流量在线推理场景，研究多模型路由、级联推理、动态调度与成本感知决策等机制，在保证效果的前提下尽可能降低推理成本。\n3. 探索面向 Diffusion 模型的极少步数蒸馏技术，包括一致性蒸馏、分布匹配蒸馏、Mean Flow 等扩散蒸馏范式，挑战极少步数下的生成效果。\n4. 探索视觉生成领域的新型加速范式，包括 AR Vision Generation、高倍隐空间压缩、非隐空间扩散生成等方向，在前沿方向上突破当前扩散生成的效能瓶颈。",
"requirements_text": "1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先。\n2. 具备扎实的数学基础，熟悉概率统计、优化理论、数值方法、随机过程等相关知识，能够从生成模型机制出发进行理论分析与算法设计。\n3. 熟悉 LLM、Diffusion Model、Flow Model、Energy-based Model、自回归生成等生成式模型原理，对生成范式演进有深入理解。\n4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先。\n5. 熟练掌握 Python，熟悉 PyTorch/JAX 等深度学习框架，具备良好的算法实现、实验分析和工程优化能力。\n6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先。",
"skills": [AI生成
"Python",
"PyTorch",
"机器学习",
"深度学习",
"强化学习",
"算法设计",
"大语言模型"
],
"preferred_qualifications": "1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先；4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先；6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907660044?deptCodes="
}
]
},
"posting": {
"posting_id": "199907660044",
"post_date": "2026-07-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907660044?deptCodes="
},
"fulltext": "下一代大模型高效推理与生成范式研究-阿里星\n下一代大模型高效推理与生成范式研究-阿里星\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：北京 / 杭州\n\n职位描述\n面向 LLM/AIGC 领域生成效率低、推理成本高、长序列生成受限等核心挑战，本课题聚焦下一代高效生成范式探索，突破传统自回归解码与多步扩散生成的效率瓶颈，为大模型推理加速提供新的算法范式和技术路径。\n1. 探索面向 LLM 的新型高效生成范式，包括 Diffusion LLM、Parallel Thinking、半自回归生成等方向，提升语言模型在长文本、复杂推理和多步任务中的生成效率。\n2. 探索多模型协作的部署方案，面向大流量在线推理场景，研究多模型路由、级联推理、动态调度与成本感知决策等机制，在保证效果的前提下尽可能降低推理成本。\n3. 探索面向 Diffusion 模型的极少步数蒸馏技术，包括一致性蒸馏、分布匹配蒸馏、Mean Flow 等扩散蒸馏范式，挑战极少步数下的生成效果。\n4. 探索视觉生成领域的新型加速范式，包括 AR Vision Generation、高倍隐空间压缩、非隐空间扩散生成等方向，在前沿方向上突破当前扩散生成的效能瓶颈。\n\n职位要求\n1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先。\n2. 具备扎实的数学基础，熟悉概率统计、优化理论、数值方法、随机过程等相关知识，能够从生成模型机制出发进行理论分析与算法设计。\n3. 熟悉 LLM、Diffusion Model、Flow Model、Energy-based Model、自回归生成等生成式模型原理，对生成范式演进有深入理解。\n4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先。\n5. 熟练掌握 Python，熟悉 PyTorch/JAX 等深度学习框架，具备良好的算法实现、实验分析和工程优化能力。\n6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先。\n\n在招业务\n阿里巴巴控股集团\n面向 LLM/AIGC 领域生成效率低、推理成本高、长序列生成受限等核心挑战，本课题聚焦下一代高效生成范式探索，突破传统自回归解码与多步扩散生成的效率瓶颈，为大模型推理加速提供新的算法范式和技术路径。\n1. 探索面向 LLM 的新型高效生成范式，包括 Diffusion LLM、Parallel Thinking、半自回归生成等方向，提升语言模型在长文本、复杂推理和多步任务中的生成效率。\n2. 探索多模型协作的部署方案，面向大流量在线推理场景，研究多模型路由、级联推理、动态调度与成本感知决策等机制，在保证效果的前提下尽可能降低推理成本。\n3. 探索面向 Diffusion 模型的极少步数蒸馏技术，包括一致性蒸馏、分布匹配蒸馏、Mean Flow 等扩散蒸馏范式，挑战极少步数下的生成效果。\n4. 探索视觉生成领域的新型加速范式，包括 AR Vision Generation、高倍隐空间压缩、非隐空间扩散生成等方向，在前沿方向上突破当前扩散生成的效能瓶颈。\n1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先。\n2. 具备扎实的数学基础，熟悉概率统计、优化理论、数值方法、随机过程等相关知识，能够从生成模型机制出发进行理论分析与算法设计。\n3. 熟悉 LLM、Diffusion Model、Flow Model、Energy-based Model、自回归生成等生成式模型原理，对生成范式演进有深入理解。\n4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先。\n5. 熟练掌握 Python，熟悉 PyTorch/JAX 等深度学习框架，具备良好的算法实现、实验分析和工程优化能力。\n6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}