主分类：搜索推荐与业务决策算法研发
辅助：大模型与生成式算法研发（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": "【北斗实习】大模型应用算法工程师-【推荐大模型】",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市",
"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": "海内外高校在校本科生（大三及以上）、硕士生及博士生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【课题说明】\n研发针适配美团业务的下一代生成式推荐系统，探索具有Scale Up属性的生成式建模方案，通过端到端的方式对用户行为进行深度建模和挖掘，全方位建模用户兴趣，提升推荐的准确性和实时性，并通过工程和算法的协同设计来显著提升整个链路的MFU水平，提高推荐系统的效果上限，实现更高的用户满意度和业务价值。\n【建议研究方向】\n1.参与设计和实现下一代生成式推荐系统，涵盖生成式召回、生成式预估、生成式排序等核心模块，并在美团多个业务场景落地。\n2.构建基于多模态表征Tokenizer、类Transformer架构和优化损失函数的序列生成模型，从数据流、特征工程和高效计算等维度参与生成式推荐系统的全栈优化与生态搭建。\n3.探索模型参数和计算量的Scale Up，设计高效且具有强外推属性的模型范式结构，提高系统MFU水平，打开模型效果天花板。\n4.在生成式推荐的基础上，重新定义用户兴趣提取，生成式召回/预估、推荐归因等模块，包括但不限于Long-Context，Token compression等技术。\n5.搭建基于强化学习的算法工程训练，包含模型训练，业务指标Reward，多样性，序列评估等多项工作。",
"requirements_text": "海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"skills": [AI生成
"强化学习",
"模型训练",
"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://zhaopin.meituan.com/web/position/detail?jobUnionId=4176528180&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4176528180",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4176528180&jobShareType=1"
},
"fulltext": "【北斗实习】大模型应用算法工程师-【推荐大模型】\n【北斗实习】大模型应用算法工程师-【推荐大模型】\n\n基础信息\n工作地点：北京市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-02-06\n\n岗位职责\n【课题说明】\n研发针适配美团业务的下一代生成式推荐系统，探索具有Scale Up属性的生成式建模方案，通过端到端的方式对用户行为进行深度建模和挖掘，全方位建模用户兴趣，提升推荐的准确性和实时性，并通过工程和算法的协同设计来显著提升整个链路的MFU水平，提高推荐系统的效果上限，实现更高的用户满意度和业务价值。\n【建议研究方向】\n1.参与设计和实现下一代生成式推荐系统，涵盖生成式召回、生成式预估、生成式排序等核心模块，并在美团多个业务场景落地。\n2.构建基于多模态表征Tokenizer、类Transformer架构和优化损失函数的序列生成模型，从数据流、特征工程和高效计算等维度参与生成式推荐系统的全栈优化与生态搭建。\n3.探索模型参数和计算量的Scale Up，设计高效且具有强外推属性的模型范式结构，提高系统MFU水平，打开模型效果天花板。\n4.在生成式推荐的基础上，重新定义用户兴趣提取，生成式召回/预估、推荐归因等模块，包括但不限于Long-Context，Token compression等技术。\n5.搭建基于强化学习的算法工程训练，包含模型训练，业务指标Reward，多样性，序列评估等多项工作。\n\n岗位基本要求\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。\n【课题说明】\n研发针适配美团业务的下一代生成式推荐系统，探索具有Scale Up属性的生成式建模方案，通过端到端的方式对用户行为进行深度建模和挖掘，全方位建模用户兴趣，提升推荐的准确性和实时性，并通过工程和算法的协同设计来显著提升整个链路的MFU水平，提高推荐系统的效果上限，实现更高的用户满意度和业务价值。\n【建议研究方向】\n1.参与设计和实现下一代生成式推荐系统，涵盖生成式召回、生成式预估、生成式排序等核心模块，并在美团多个业务场景落地。\n2.构建基于多模态表征Tokenizer、类Transformer架构和优化损失函数的序列生成模型，从数据流、特征工程和高效计算等维度参与生成式推荐系统的全栈优化与生态搭建。\n3.探索模型参数和计算量的Scale Up，设计高效且具有强外推属性的模型范式结构，提高系统MFU水平，打开模型效果天花板。\n4.在生成式推荐的基础上，重新定义用户兴趣提取，生成式召回/预估、推荐归因等模块，包括但不限于Long-Context，Token compression等技术。\n5.搭建基于强化学习的算法工程训练，包含模型训练，业务指标Reward，多样性，序列评估等多项工作。\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}