主分类：大模型与生成式算法研发
辅助：数据工程与数据平台研发（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": "智多星-大模型与数据建模",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里巴巴控股集团",
"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": "国内外高校计算机科学、人工智能、数据科学等相关方向在读博士研究生",
"language": "具备良好的中英文学术写作能力，能够独立或协作完成论文的实验设计、结果分析与撰写投稿工作",AI生成
"visa_support": "未披露",
"responsibilities": "1. 跨模态语义对齐与统一表示学习\n研究多模态异构数据在统一语义空间中的表示、对齐与融合方法。围绕弱标注/零标注条件下的跨模态实体归一、多粒度语义去重、动态增量更新等核心问题，探索面向大模型语义理解的数据汇聚与标准化接入机制，构建高质量、可演化的多源数据底座。\n2. 大模型可信度评估与信息质量建模\n研究面向开放域、无金标准场景下的信息可信度建模与冲突消解方法。重点攻关多源交叉验证与动态可信度评估、大模型幻觉识别与事实性校验、稀疏长尾信号的检测与因果归因等问题，建立\"评估—使用—反馈\"闭环的质量管控体系。\n3. 检索增强生成（RAG）与大模型智能体\n研究面向复杂查询的检索增强生成方法及多智能体协同框架。围绕图增强检索与多跳推理、跨模态可溯源生成、多智能体协同长文写作中的全局一致性保障等问题，构建高可信、可审计的知识问答与结构化内容自动生成能力。\n4. 前沿论文追踪与方法复现\n持续跟踪NLP、多模态、RAG、LLM Agent等相关方向的最新研究进展，对关键论文进行深度解读与高质量复现，为团队的研究选题与技术方案提供一手实验验证与对标分析。\n5. 数据构造与生产技术\n研究面向大模型训练的数据构造与规模化生产方法。追踪指令演化、自指令生成、拒绝采样等前沿数据合成技术，探索其质量边界与适用条件；结合RLHF/GRPO/DPO等对齐数据生产范式与偏好数据构建实践，进行本地化融合与工程验证，建立\"度量—合成—验证淘汰\"的迭代生成框架，推动数据生产从人力堆量向策略驱动演进。\n6. 多目标数据优化与课程编排\n将数据集构建建模为质量、成本、可靠性的多目标约束优化问题。引入难度分层与课程学习思想自动编排训练序列，探索不同数据配比策略对模型能力增益的定量规律，在给定预算约束下求解帕累托最优数据组合，建立数据筛选、配比与训练编排的系统化方法。",
"requirements_text": "1. 学历要求\n国内外高校计算机科学、人工智能、数据科学等相关方向在读博士研究生。\n2. 论文复现与前沿追踪能力\n具备较强的学术论文阅读与前沿工作复现能力，能够独立阅读顶会论文（ACL、EMNLP、NeurIPS、ICML、ICLR、KDD、CVPR等），快速理解核心方法并完成高质量代码复现。我们需要你能将论文中的idea快速落地为可运行、可对比、可迭代的实验，而非停留在阅读层面。\n3. 大模型与深度学习基础\n具备扎实的机器学习与深度学习理论基础，熟悉主流大语言模型（GPT系列、Claude系列、Qwen系列、Llama系列、DeepSeek系列等）的原理与使用。熟练掌握Python编程，熟悉PyTorch/JAX等深度学习框架，具备良好的工程实现能力。\n4. 学术写作与协作能力\n具备良好的中英文学术写作能力，能够独立或协作完成论文的实验设计、结果分析与撰写投稿工作。具备良好的沟通协作意识，能够在团队中高效推进研究进度。\n加分项\n● 在以下方向有研究经历或发表记录：自然语言处理、多模态学习、信息检索、知识图谱、数据挖掘、时序分析\n● 有RAG系统（含GraphRAG、Agentic RAG等）的研究或开发经验\n● 有多模态大模型（视觉-语言模型、语音-语言模型等）的微调或应用经验\n● 有多智能体系统（AutoGen、MetaGPT等框架）的实践经验\n● 有大规模向量检索系统（FAISS、Milvus等）的工程经验\n● 有数据合成、训练集优化或数据价值评估相关研究经验\n● 有顶会论文发表记录",
"skills": [AI生成
"Python",
"PyTorch",
"机器学习",
"深度学习",
"自然语言处理",
"数据挖掘",
"知识图谱",
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199909080002?deptCodes="
}
]
},
"posting": {
"posting_id": "199909080002",
"post_date": "2026-08-24",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199909080002?deptCodes="
},
"fulltext": "智多星-大模型与数据建模\n智多星-大模型与数据建模\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2030-01-01\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：杭州\n\n职位描述\n1. 跨模态语义对齐与统一表示学习\n研究多模态异构数据在统一语义空间中的表示、对齐与融合方法。围绕弱标注/零标注条件下的跨模态实体归一、多粒度语义去重、动态增量更新等核心问题，探索面向大模型语义理解的数据汇聚与标准化接入机制，构建高质量、可演化的多源数据底座。\n2. 大模型可信度评估与信息质量建模\n研究面向开放域、无金标准场景下的信息可信度建模与冲突消解方法。重点攻关多源交叉验证与动态可信度评估、大模型幻觉识别与事实性校验、稀疏长尾信号的检测与因果归因等问题，建立\"评估—使用—反馈\"闭环的质量管控体系。\n3. 检索增强生成（RAG）与大模型智能体\n研究面向复杂查询的检索增强生成方法及多智能体协同框架。围绕图增强检索与多跳推理、跨模态可溯源生成、多智能体协同长文写作中的全局一致性保障等问题，构建高可信、可审计的知识问答与结构化内容自动生成能力。\n4. 前沿论文追踪与方法复现\n持续跟踪NLP、多模态、RAG、LLM Agent等相关方向的最新研究进展，对关键论文进行深度解读与高质量复现，为团队的研究选题与技术方案提供一手实验验证与对标分析。\n5. 数据构造与生产技术\n研究面向大模型训练的数据构造与规模化生产方法。追踪指令演化、自指令生成、拒绝采样等前沿数据合成技术，探索其质量边界与适用条件；结合RLHF/GRPO/DPO等对齐数据生产范式与偏好数据构建实践，进行本地化融合与工程验证，建立\"度量—合成—验证淘汰\"的迭代生成框架，推动数据生产从人力堆量向策略驱动演进。\n6. 多目标数据优化与课程编排\n将数据集构建建模为质量、成本、可靠性的多目标约束优化问题。引入难度分层与课程学习思想自动编排训练序列，探索不同数据配比策略对模型能力增益的定量规律，在给定预算约束下求解帕累托最优数据组合，建立数据筛选、配比与训练编排的系统化方法。\n\n职位要求\n1. 学历要求\n国内外高校计算机科学、人工智能、数据科学等相关方向在读博士研究生。\n2. 论文复现与前沿追踪能力\n具备较强的学术论文阅读与前沿工作复现能力，能够独立阅读顶会论文（ACL、EMNLP、NeurIPS、ICML、ICLR、KDD、CVPR等），快速理解核心方法并完成高质量代码复现。我们需要你能将论文中的idea快速落地为可运行、可对比、可迭代的实验，而非停留在阅读层面。\n3. 大模型与深度学习基础\n具备扎实的机器学习与深度学习理论基础，熟悉主流大语言模型（GPT系列、Claude系列、Qwen系列、Llama系列、DeepSeek系列等）的原理与使用。熟练掌握Python编程，熟悉PyTorch/JAX等深度学习框架，具备良好的工程实现能力。\n4. 学术写作与协作能力\n具备良好的中英文学术写作能力，能够独立或协作完成论文的实验设计、结果分析与撰写投稿工作。具备良好的沟通协作意识，能够在团队中高效推进研究进度。\n加分项\n● 在以下方向有研究经历或发表记录：自然语言处理、多模态学习、信息检索、知识图谱、数据挖掘、时序分析\n● 有RAG系统（含GraphRAG、Agentic RAG等）的研究或开发经验\n● 有多模态大模型（视觉-语言模型、语音-语言模型等）的微调或应用经验\n● 有多智能体系统（AutoGen、MetaGPT等框架）的实践经验\n● 有大规模向量检索系统（FAISS、Milvus等）的工程经验\n● 有数据合成、训练集优化或数据价值评估相关研究经验\n● 有顶会论文发表记录\n\n在招业务\n阿里巴巴控股集团\n1. 跨模态语义对齐与统一表示学习\n研究多模态异构数据在统一语义空间中的表示、对齐与融合方法。围绕弱标注/零标注条件下的跨模态实体归一、多粒度语义去重、动态增量更新等核心问题，探索面向大模型语义理解的数据汇聚与标准化接入机制，构建高质量、可演化的多源数据底座。\n2. 大模型可信度评估与信息质量建模\n研究面向开放域、无金标准场景下的信息可信度建模与冲突消解方法。重点攻关多源交叉验证与动态可信度评估、大模型幻觉识别与事实性校验、稀疏长尾信号的检测与因果归因等问题，建立\"评估—使用—反馈\"闭环的质量管控体系。\n3. 检索增强生成（RAG）与大模型智能体\n研究面向复杂查询的检索增强生成方法及多智能体协同框架。围绕图增强检索与多跳推理、跨模态可溯源生成、多智能体协同长文写作中的全局一致性保障等问题，构建高可信、可审计的知识问答与结构化内容自动生成能力。\n4. 前沿论文追踪与方法复现\n持续跟踪NLP、多模态、RAG、LLM Agent等相关方向的最新研究进展，对关键论文进行深度解读与高质量复现，为团队的研究选题与技术方案提供一手实验验证与对标分析。\n5. 数据构造与生产技术\n研究面向大模型训练的数据构造与规模化生产方法。追踪指令演化、自指令生成、拒绝采样等前沿数据合成技术，探索其质量边界与适用条件；结合RLHF/GRPO/DPO等对齐数据生产范式与偏好数据构建实践，进行本地化融合与工程验证，建立\"度量—合成—验证淘汰\"的迭代生成框架，推动数据生产从人力堆量向策略驱动演进。\n6. 多目标数据优化与课程编排\n将数据集构建建模为质量、成本、可靠性的多目标约束优化问题。引入难度分层与课程学习思想自动编排训练序列，探索不同数据配比策略对模型能力增益的定量规律，在给定预算约束下求解帕累托最优数据组合，建立数据筛选、配比与训练编排的系统化方法。\n1. 学历要求\n国内外高校计算机科学、人工智能、数据科学等相关方向在读博士研究生。\n2. 论文复现与前沿追踪能力\n具备较强的学术论文阅读与前沿工作复现能力，能够独立阅读顶会论文（ACL、EMNLP、NeurIPS、ICML、ICLR、KDD、CVPR等），快速理解核心方法并完成高质量代码复现。我们需要你能将论文中的idea快速落地为可运行、可对比、可迭代的实验，而非停留在阅读层面。\n3. 大模型与深度学习基础\n具备扎实的机器学习与深度学习理论基础，熟悉主流大语言模型（GPT系列、Claude系列、Qwen系列、Llama系列、DeepSeek系列等）的原理与使用。熟练掌握Python编程，熟悉PyTorch/JAX等深度学习框架，具备良好的工程实现能力。\n4. 学术写作与协作能力\n具备良好的中英文学术写作能力，能够独立或协作完成论文的实验设计、结果分析与撰写投稿工作。具备良好的沟通协作意识，能够在团队中高效推进研究进度。\n加分项\n● 在以下方向有研究经历或发表记录：自然语言处理、多模态学习、信息检索、知识图谱、数据挖掘、时序分析\n● 有RAG系统（含GraphRAG、Agentic RAG等）的研究或开发经验\n● 有多模态大模型（视觉-语言模型、语音-语言模型等）的微调或应用经验\n● 有多智能体系统（AutoGen、MetaGPT等框架）的实践经验\n● 有大规模向量检索系统（FAISS、Milvus等）的工程经验\n● 有数据合成、训练集优化或数据价值评估相关研究经验\n● 有顶会论文发表记录",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T016"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}