主分类：搜索推荐与业务决策算法研发
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": "研究型实习生-智能算法产品事业部-推荐系统Scaling Law实习生项目",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "淘天集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "淘天集团",
"company_industry": "电子商务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
},
"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、自然语言处理、数据挖掘、机器学习等相关专业在读硕士或博士生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 推荐系统中的Scaling Law研究：以Scaling为主线推进推荐系统范式升级，将大语言模型的前沿能力体系化引入工业级推荐。包括但不限于探索稀疏注意力、Resampler行为压缩等实现十万级长序列的高效建模与表征复用，沿Token Scaling、MoE、Decoder-only等技术范式推进模型Scaling目标向1B/3B/7B 级别演进等。\n2. 大模型Infra设计与优化：负责大模型背景下的Infra设计，包括分布式训练、模型压缩、低延迟推理、训练加速、线上部署、链路优化、计算复杂度优化等，面向工业级应用完成千亿级参数大模型的高效训练与部署\n3. 业务价值落地：面向数亿用户、百亿级行为数据的规模挑战，深度参与商品与内容分发算法的设计与优化，推动大模型技术规模化落地、驱动商业增长\n4. 结合以上方向的探索和研究，撰写技术报告或发表论文，和业界、学术界保持良好的交流，输出可复用的代码、文档与最佳实践。",
"requirements_text": "1. 计算机科学、人工智能、自然语言处理、数据挖掘、机器学习等相关专业在读硕士或博士生，具备扎实的理论基础，有一定的科研能力，能够针对性的分析问题和解决问题；\n2. 熟悉多模态表征学习及搜广推召回/排序应用建模，有多模态预训练/SFT/应用实践经验者优先；\n3. 逻辑思维清晰，学习能力强，兼具务实与创新精神，对新事物保有好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；\n4. 熟练掌握Tensorflow、Pytorch等深度学习框架，具备扎实的编码能力，能独立实现和调试复杂算法；\n5. 在顶级计算机学术会议(SIGIR、SIGKDD、ICML、NIPS、WWW、AAAI、CIKM、ACL等)或期刊上发表过论文优先，算法竞赛获奖、开源项目贡献者等亮点经历者优先。",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"强化学习",
"自然语言处理",
"数据挖掘",
"解决问题",
"逻辑思维",
"学习能力",
"建模",
"大语言模型"
],
"preferred_qualifications": "2. 熟悉多模态表征学习及搜广推召回/排序应用建模，有多模态预训练/SFT/应用实践经验者优先；5. 在顶级计算机学术会议(SIGIR、SIGKDD、ICML、NIPS、WWW、AAAI、CIKM、ACL等)或期刊上发表过论文优先，算法竞赛获奖、开源项目贡献者等亮点经历者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199909280002?deptCodes="
}
]
},
"posting": {
"posting_id": "199909280002",
"post_date": "2026-09-01",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199909280002?deptCodes="
},
"fulltext": "研究型实习生-智能算法产品事业部-推荐系统Scaling Law实习生项目\n研究型实习生-智能算法产品事业部-推荐系统Scaling Law实习生项目\n\n基础信息\n毕业起止时间要求：2026-12-31 - 2030-09-29\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：杭州\n\n职位描述\n1. 推荐系统中的Scaling Law研究：以Scaling为主线推进推荐系统范式升级，将大语言模型的前沿能力体系化引入工业级推荐。包括但不限于探索稀疏注意力、Resampler行为压缩等实现十万级长序列的高效建模与表征复用，沿Token Scaling、MoE、Decoder-only等技术范式推进模型Scaling目标向1B/3B/7B 级别演进等。\n2. 大模型Infra设计与优化：负责大模型背景下的Infra设计，包括分布式训练、模型压缩、低延迟推理、训练加速、线上部署、链路优化、计算复杂度优化等，面向工业级应用完成千亿级参数大模型的高效训练与部署\n3. 业务价值落地：面向数亿用户、百亿级行为数据的规模挑战，深度参与商品与内容分发算法的设计与优化，推动大模型技术规模化落地、驱动商业增长\n4. 结合以上方向的探索和研究，撰写技术报告或发表论文，和业界、学术界保持良好的交流，输出可复用的代码、文档与最佳实践。\n\n职位要求\n1. 计算机科学、人工智能、自然语言处理、数据挖掘、机器学习等相关专业在读硕士或博士生，具备扎实的理论基础，有一定的科研能力，能够针对性的分析问题和解决问题；\n2. 熟悉多模态表征学习及搜广推召回/排序应用建模，有多模态预训练/SFT/应用实践经验者优先；\n3. 逻辑思维清晰，学习能力强，兼具务实与创新精神，对新事物保有好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；\n4. 熟练掌握Tensorflow、Pytorch等深度学习框架，具备扎实的编码能力，能独立实现和调试复杂算法；\n5. 在顶级计算机学术会议(SIGIR、SIGKDD、ICML、NIPS、WWW、AAAI、CIKM、ACL等)或期刊上发表过论文优先，算法竞赛获奖、开源项目贡献者等亮点经历者优先。\n\n在招业务\n淘天集团\n1. 推荐系统中的Scaling Law研究：以Scaling为主线推进推荐系统范式升级，将大语言模型的前沿能力体系化引入工业级推荐。包括但不限于探索稀疏注意力、Resampler行为压缩等实现十万级长序列的高效建模与表征复用，沿Token Scaling、MoE、Decoder-only等技术范式推进模型Scaling目标向1B/3B/7B 级别演进等。\n2. 大模型Infra设计与优化：负责大模型背景下的Infra设计，包括分布式训练、模型压缩、低延迟推理、训练加速、线上部署、链路优化、计算复杂度优化等，面向工业级应用完成千亿级参数大模型的高效训练与部署\n3. 业务价值落地：面向数亿用户、百亿级行为数据的规模挑战，深度参与商品与内容分发算法的设计与优化，推动大模型技术规模化落地、驱动商业增长\n4. 结合以上方向的探索和研究，撰写技术报告或发表论文，和业界、学术界保持良好的交流，输出可复用的代码、文档与最佳实践。\n1. 计算机科学、人工智能、自然语言处理、数据挖掘、机器学习等相关专业在读硕士或博士生，具备扎实的理论基础，有一定的科研能力，能够针对性的分析问题和解决问题；\n2. 熟悉多模态表征学习及搜广推召回/排序应用建模，有多模态预训练/SFT/应用实践经验者优先；\n3. 逻辑思维清晰，学习能力强，兼具务实与创新精神，对新事物保有好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；\n4. 熟练掌握Tensorflow、Pytorch等深度学习框架，具备扎实的编码能力，能独立实现和调试复杂算法；\n5. 在顶级计算机学术会议(SIGIR、SIGKDD、ICML、NIPS、WWW、AAAI、CIKM、ACL等)或期刊上发表过论文优先，算法竞赛获奖、开源项目贡献者等亮点经历者优先。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}