主分类：大模型与生成式算法研发
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": "【大模型北斗实习】统一化的检索生成框架探索与评测",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"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": "引入外部知识检索是处理 agent 在有限记忆存储下知识局限性的主流路径（如检索增强生成），可以有效降低幻觉比例，使生成内容具备时效性和事实性。但现有问题是检索和生成模块通常作为异质系统交替使用，无法深度协同和统一优化。近期生成式检索方向的研究为二者统一创造了条件。\n本课题希望彻底统一检索生成，研究内容包括但不限于：\n1）统一检索生成的推理和优化算法构建。\n2）优化实验在数据和计算维度的规模化。\n3）agent 视角对 RAG 和 long-context 的解读和相应评测评估方案。\n4）从统一检索生成到模型记忆的外推。",
"requirements_text": "1）熟悉大模型相关的推理、训练框架，有较强的工程实践能力和经验。\n2）有一定的学术研究背景，对前沿技术保持好奇心，学习能力和自驱力强。\n加分项：\n1）在有影响力的开源项目中做出核心贡献。\n2）发表过高质量学术论文。",
"skills": [AI生成
"学习能力",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3153873006&jobShareType=1"
}
]
},
"posting": {
"posting_id": "3153873006",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=3153873006&jobShareType=1"
},
"fulltext": "【大模型北斗实习】统一化的检索生成框架探索与评测\n【大模型北斗实习】统一化的检索生成框架探索与评测\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法,硬件,软件\n更新时间：2025-05-23\n\n岗位职责\n引入外部知识检索是处理 agent 在有限记忆存储下知识局限性的主流路径（如检索增强生成），可以有效降低幻觉比例，使生成内容具备时效性和事实性。但现有问题是检索和生成模块通常作为异质系统交替使用，无法深度协同和统一优化。近期生成式检索方向的研究为二者统一创造了条件。\n本课题希望彻底统一检索生成，研究内容包括但不限于：\n1）统一检索生成的推理和优化算法构建。\n2）优化实验在数据和计算维度的规模化。\n3）agent 视角对 RAG 和 long-context 的解读和相应评测评估方案。\n4）从统一检索生成到模型记忆的外推。\n\n岗位基本要求\n1）熟悉大模型相关的推理、训练框架，有较强的工程实践能力和经验。\n2）有一定的学术研究背景，对前沿技术保持好奇心，学习能力和自驱力强。\n加分项：\n1）在有影响力的开源项目中做出核心贡献。\n2）发表过高质量学术论文。\n引入外部知识检索是处理 agent 在有限记忆存储下知识局限性的主流路径（如检索增强生成），可以有效降低幻觉比例，使生成内容具备时效性和事实性。但现有问题是检索和生成模块通常作为异质系统交替使用，无法深度协同和统一优化。近期生成式检索方向的研究为二者统一创造了条件。\n本课题希望彻底统一检索生成，研究内容包括但不限于：\n1）统一检索生成的推理和优化算法构建。\n2）优化实验在数据和计算维度的规模化。\n3）agent 视角对 RAG 和 long-context 的解读和相应评测评估方案。\n4）从统一检索生成到模型记忆的外推。\n1）熟悉大模型相关的推理、训练框架，有较强的工程实践能力和经验。\n2）有一定的学术研究背景，对前沿技术保持好奇心，学习能力和自驱力强。\n加分项：\n1）在有影响力的开源项目中做出核心贡献。\n2）发表过高质量学术论文。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}