主分类：搜索推荐与业务决策算法研发
辅助：自然语言处理算法研发（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": "多模态多语言搜索算法研究-阿里星/Bravo Star",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "阿里国际数字商业集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里国际数字商业集团",
"company_industry": "跨境电商",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里国际数字商业业务涉及国际电商平台及跨境商品交易。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.跨语言预训练对齐：基于 Agent 构建多语言语料样本挖掘链路，通过跨语言 Pre-training 与 Post-training 技术提升多语言相关性模型的准确率与召回率；\n2.多意图品商混搜：基于大模型推理能力实现多意图识别，区分商品检索 / 供应商发现 / 制造能力评估等复合意图，设计与优化品商混合搜索召回与多目标排序；\n3.稀疏样本建模：研究 Few-shot / Zero-shot Learning、合成数据增强、领域自适应迁移等，建立长尾品类与冷启供应商的表征学习范式；\n4.多模态与深度搜索：研究图文联合检索与跨模态表征学习，探索 LLM + RL 驱动的复杂采购诉求渐进式拆解与多轮推理；\n5.Agent 驱动的搜推自动化：基于 LLM Agent 构建搜推全链路自动化工作流，实现多语言样本自动化采集标注、内外站体验对比评测与 Bad Case 智能诊断；\n6.前沿技术探索：跟踪 NLP / IR / Multimodal / LLM Agent 前沿，产出高水平论文与专利。",
"requirements_text": "1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索；\n2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解；\n3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用；\n4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。",
"skills": [AI生成
"强化学习",
"自然语言处理",
"建模"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907680056?deptCodes="
}
]
},
"posting": {
"posting_id": "199907680056",
"post_date": "2026-07-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907680056?deptCodes="
},
"fulltext": "多模态多语言搜索算法研究-阿里星/Bravo Star\n多模态多语言搜索算法研究-阿里星/Bravo Star\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：杭州\n\n职位描述\n1.跨语言预训练对齐：基于 Agent 构建多语言语料样本挖掘链路，通过跨语言 Pre-training 与 Post-training 技术提升多语言相关性模型的准确率与召回率；\n2.多意图品商混搜：基于大模型推理能力实现多意图识别，区分商品检索 / 供应商发现 / 制造能力评估等复合意图，设计与优化品商混合搜索召回与多目标排序；\n3.稀疏样本建模：研究 Few-shot / Zero-shot Learning、合成数据增强、领域自适应迁移等，建立长尾品类与冷启供应商的表征学习范式；\n4.多模态与深度搜索：研究图文联合检索与跨模态表征学习，探索 LLM + RL 驱动的复杂采购诉求渐进式拆解与多轮推理；\n5.Agent 驱动的搜推自动化：基于 LLM Agent 构建搜推全链路自动化工作流，实现多语言样本自动化采集标注、内外站体验对比评测与 Bad Case 智能诊断；\n6.前沿技术探索：跟踪 NLP / IR / Multimodal / LLM Agent 前沿，产出高水平论文与专利。\n\n职位要求\n1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索；\n2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解；\n3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用；\n4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。\n\n在招业务\n阿里国际数字商业集团\n1.跨语言预训练对齐：基于 Agent 构建多语言语料样本挖掘链路，通过跨语言 Pre-training 与 Post-training 技术提升多语言相关性模型的准确率与召回率；\n2.多意图品商混搜：基于大模型推理能力实现多意图识别，区分商品检索 / 供应商发现 / 制造能力评估等复合意图，设计与优化品商混合搜索召回与多目标排序；\n3.稀疏样本建模：研究 Few-shot / Zero-shot Learning、合成数据增强、领域自适应迁移等，建立长尾品类与冷启供应商的表征学习范式；\n4.多模态与深度搜索：研究图文联合检索与跨模态表征学习，探索 LLM + RL 驱动的复杂采购诉求渐进式拆解与多轮推理；\n5.Agent 驱动的搜推自动化：基于 LLM Agent 构建搜推全链路自动化工作流，实现多语言样本自动化采集标注、内外站体验对比评测与 Bad Case 智能诊断；\n6.前沿技术探索：跟踪 NLP / IR / Multimodal / LLM Agent 前沿，产出高水平论文与专利。\n1.语言模型预训练（DeepSeek / GLM / Qwen 等）、跨语言表示学习、文本检索；\n2.多模态模型预训练（CLIP / GME / Qwen3-VL 等）、多模态检索与跨模态理解；\n3.模型对齐与偏好优化（SFT / RLHF / DPO）、强化学习在信息检索或 NLP 中的应用；\n4.少样本学习（Few-shot / Zero-shot Learning）、数据增强、领域迁移等稀疏数据建模方法。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T036"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}