{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "研究型实习生-广告算法-大模型广告算法工程师",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "淘天集团",
        "location": "北京",
        "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/自动化、数学/运筹学、人工智能等相关专业的博士或优秀硕士",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "阿里妈妈全站推旨在实现商家确定性 ROI 交付与生意规模增长的双重目标，承载了亿级规模的日均广告收入。作为提升全站推投放效率的核心算法，自动出价（Auto-bidding）研发持续探索面向未来的决策智能技术，推动出价策略能力不断进化，为业务增长提供持续动力。我们在自动出价领域积累了扎实的技术基础，相关成果已发表于 ICLR、NeurIPS 等国际顶级会议，并通过持续的技术创新显著提升了投放效果。\n自动出价本质上是一个典型的复杂决策问题，尤其在广告竞价场景中，面临着流量波动大、竞争环境强非平稳、反馈延迟明显等挑战。围绕这些核心问题，出价算法不仅需要具备良好的策略优化能力，还要能够快速响应环境变化，兼顾投放效率、稳定性与ROI目标。随着生成式方法等新技术在广告决策中的应用逐步展开，我们也看到了出价算法在模型表达、策略学习和动态响应方面更大的探索空间。\n具体职责： \n1. 深入运用生成算法对出价决策模型进行探索与迭代，研究出价决策大模型的Scaling Law；\n2. 利用大规模跨场景数据和大规模参数学习博弈场景的通用规律，构建出价决策领域的基础模型；\n3. 设计面向高维、高噪、非平稳竞价空间的高效探索与优化算法，建设先进的大模型后训练与策略优化体系。\n4. 探索 Auto-Research 自动化研究范式，推动实验设计、模型训练、策略评估与结果分析的智能化闭环，提高研究与迭代效率。\n加入我们，您将获得： \n1. 贴近工业实践的技术挑战，享有丰富的数据资源和强大的计算支持。 \n2. 深度参与研发团队内部研讨，与顶尖专家共同探讨前沿技术，合作发表国际顶级会议论文。 \n3. 一对一的行业专家指导，助力业界领先并具有巨大影响力的工作。 \n4. 可观的实习薪酬以及校招人才计划的绿色通道。",
        "requirements_text": "● 计算机/自动化、数学/运筹学、人工智能等相关专业的博士或优秀硕士； \n● 具备扎实的数理基础、良好的逻辑分析和解决问题的能力，擅于沟通，有良好的团队合作精神。 \n● 熟练掌握至少一种主流深度学习框架（如 PyTorch），具备良好的编程能力，能独立实现和调试复杂算法；\n● 聪明、自信，敢于突破，对解决挑战性问题充满热情。\n● 以下条件优先考虑：\n○ 作为第一作者在顶级国际会议或期刊上发表过论文； \n○ 参与开源项目并获得100以上的star； \n○ 在有影响力的比赛中取得优异成绩。",
        "skills": [AI生成
            "PyTorch",
            "深度学习",
            "团队协作",
            "解决问题"
        ],
        "preferred_qualifications": "● 以下条件优先考虑：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199909300001?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199909300001",
        "post_date": "2026-09-01",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199909300001?deptCodes="
    },
    "fulltext": "研究型实习生-广告算法-大模型广告算法工程师\n研究型实习生-广告算法-大模型广告算法工程师\n\n基础信息\n毕业起止时间要求：2026-09-29 - 2029-09-29\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：北京\n\n职位描述\n阿里妈妈全站推旨在实现商家确定性 ROI 交付与生意规模增长的双重目标，承载了亿级规模的日均广告收入。作为提升全站推投放效率的核心算法，自动出价（Auto-bidding）研发持续探索面向未来的决策智能技术，推动出价策略能力不断进化，为业务增长提供持续动力。我们在自动出价领域积累了扎实的技术基础，相关成果已发表于 ICLR、NeurIPS 等国际顶级会议，并通过持续的技术创新显著提升了投放效果。\n自动出价本质上是一个典型的复杂决策问题，尤其在广告竞价场景中，面临着流量波动大、竞争环境强非平稳、反馈延迟明显等挑战。围绕这些核心问题，出价算法不仅需要具备良好的策略优化能力，还要能够快速响应环境变化，兼顾投放效率、稳定性与ROI目标。随着生成式方法等新技术在广告决策中的应用逐步展开，我们也看到了出价算法在模型表达、策略学习和动态响应方面更大的探索空间。\n具体职责： \n1. 深入运用生成算法对出价决策模型进行探索与迭代，研究出价决策大模型的Scaling Law；\n2. 利用大规模跨场景数据和大规模参数学习博弈场景的通用规律，构建出价决策领域的基础模型；\n3. 设计面向高维、高噪、非平稳竞价空间的高效探索与优化算法，建设先进的大模型后训练与策略优化体系。\n4. 探索 Auto-Research 自动化研究范式，推动实验设计、模型训练、策略评估与结果分析的智能化闭环，提高研究与迭代效率。\n加入我们，您将获得： \n1. 贴近工业实践的技术挑战，享有丰富的数据资源和强大的计算支持。 \n2. 深度参与研发团队内部研讨，与顶尖专家共同探讨前沿技术，合作发表国际顶级会议论文。 \n3. 一对一的行业专家指导，助力业界领先并具有巨大影响力的工作。 \n4. 可观的实习薪酬以及校招人才计划的绿色通道。\n\n职位要求\n● 计算机/自动化、数学/运筹学、人工智能等相关专业的博士或优秀硕士； \n● 具备扎实的数理基础、良好的逻辑分析和解决问题的能力，擅于沟通，有良好的团队合作精神。 \n● 熟练掌握至少一种主流深度学习框架（如 PyTorch），具备良好的编程能力，能独立实现和调试复杂算法；\n● 聪明、自信，敢于突破，对解决挑战性问题充满热情。\n● 以下条件优先考虑：\n○ 作为第一作者在顶级国际会议或期刊上发表过论文； \n○ 参与开源项目并获得100以上的star； \n○ 在有影响力的比赛中取得优异成绩。\n\n在招业务\n淘天集团\n阿里妈妈全站推旨在实现商家确定性 ROI 交付与生意规模增长的双重目标，承载了亿级规模的日均广告收入。作为提升全站推投放效率的核心算法，自动出价（Auto-bidding）研发持续探索面向未来的决策智能技术，推动出价策略能力不断进化，为业务增长提供持续动力。我们在自动出价领域积累了扎实的技术基础，相关成果已发表于 ICLR、NeurIPS 等国际顶级会议，并通过持续的技术创新显著提升了投放效果。\n自动出价本质上是一个典型的复杂决策问题，尤其在广告竞价场景中，面临着流量波动大、竞争环境强非平稳、反馈延迟明显等挑战。围绕这些核心问题，出价算法不仅需要具备良好的策略优化能力，还要能够快速响应环境变化，兼顾投放效率、稳定性与ROI目标。随着生成式方法等新技术在广告决策中的应用逐步展开，我们也看到了出价算法在模型表达、策略学习和动态响应方面更大的探索空间。\n具体职责： \n1. 深入运用生成算法对出价决策模型进行探索与迭代，研究出价决策大模型的Scaling Law；\n2. 利用大规模跨场景数据和大规模参数学习博弈场景的通用规律，构建出价决策领域的基础模型；\n3. 设计面向高维、高噪、非平稳竞价空间的高效探索与优化算法，建设先进的大模型后训练与策略优化体系。\n4. 探索 Auto-Research 自动化研究范式，推动实验设计、模型训练、策略评估与结果分析的智能化闭环，提高研究与迭代效率。\n加入我们，您将获得： \n1. 贴近工业实践的技术挑战，享有丰富的数据资源和强大的计算支持。 \n2. 深度参与研发团队内部研讨，与顶尖专家共同探讨前沿技术，合作发表国际顶级会议论文。 \n3. 一对一的行业专家指导，助力业界领先并具有巨大影响力的工作。 \n4. 可观的实习薪酬以及校招人才计划的绿色通道。\n● 计算机/自动化、数学/运筹学、人工智能等相关专业的博士或优秀硕士； \n● 具备扎实的数理基础、良好的逻辑分析和解决问题的能力，擅于沟通，有良好的团队合作精神。 \n● 熟练掌握至少一种主流深度学习框架（如 PyTorch），具备良好的编程能力，能独立实现和调试复杂算法；\n● 聪明、自信，敢于突破，对解决挑战性问题充满热情。\n● 以下条件优先考虑：\n○ 作为第一作者在顶级国际会议或期刊上发表过论文； \n○ 参与开源项目并获得100以上的star； \n○ 在有影响力的比赛中取得优异成绩。",
    "standard_classification": {
        "std_category_code": "T011",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}