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": "生成式定向实习生（大模型方向）（J104599）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "MEG",
"location": "北京市,上海市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "-本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-负责推荐场景下的基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力，推动推荐向Foundation Model范式演进\n-突破传统“召回-排序”的漏斗式架构，探索并落地结合多模态的生成式召回技术\n-研发端到端的推荐模型，探索将召回、粗排等多个模块统一在一个大模型框架内，构建高效的下一代推荐链路\n-针对推荐广告系统中的多维收益（广告收入、LTV等），设计适用于大模型体系的多目标优化方案，实现多场景下的收益最大化",
"requirements_text": "-本科及以上学历，计算机、数学、统计学及相关专业\n-在推荐系统、自然语言处理、计算机视觉或机器学习领域有扎实的理论基础和丰富的实战经验\n-具备优秀的编码能力，精通Python/C++，熟悉Linux开发环境\n-熟练掌握PyTorch或TensorFlow等至少一种深度学习框架\n-具备较强的数据敏锐度和业务洞察力，能从复杂的业务场景中抽象出清晰的算法问题\n-自我驱动，具备优秀的沟通协作能力，敢于挑战技术难题",
"skills": [AI生成
"Python",
"C++",
"Linux",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"自然语言处理",
"计算机视觉"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/INTERN/ff3e6514-f820-430e-85d8-bcae5298594b"
}
]
},
"posting": {
"posting_id": "ff3e6514-f820-430e-85d8-bcae5298594b",
"post_date": "2026-08-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/INTERN/ff3e6514-f820-430e-85d8-bcae5298594b"
},
"fulltext": "生成式定向实习生（大模型方向）（J104599）\n生成式定向实习生（大模型方向）（J104599）\n\n基础信息\n部门：MEG\n地点：北京市,上海市\n项目：日常实习项目\n类别：技术\n招聘人数：4\n发布时间：2026-08-14\n\n工作职责\n-负责推荐场景下的基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力，推动推荐向Foundation Model范式演进\n-突破传统“召回-排序”的漏斗式架构，探索并落地结合多模态的生成式召回技术\n-研发端到端的推荐模型，探索将召回、粗排等多个模块统一在一个大模型框架内，构建高效的下一代推荐链路\n-针对推荐广告系统中的多维收益（广告收入、LTV等），设计适用于大模型体系的多目标优化方案，实现多场景下的收益最大化\n\n职责要求\n-本科及以上学历，计算机、数学、统计学及相关专业\n-在推荐系统、自然语言处理、计算机视觉或机器学习领域有扎实的理论基础和丰富的实战经验\n-具备优秀的编码能力，精通Python/C++，熟悉Linux开发环境\n-熟练掌握PyTorch或TensorFlow等至少一种深度学习框架\n-具备较强的数据敏锐度和业务洞察力，能从复杂的业务场景中抽象出清晰的算法问题\n-自我驱动，具备优秀的沟通协作能力，敢于挑战技术难题\n-负责推荐场景下的基础大模型的持续优化，探索模型参数量的Scaling Law，提升模型在复杂推荐场景下的理解与推理能力，推动推荐向Foundation Model范式演进\n-突破传统“召回-排序”的漏斗式架构，探索并落地结合多模态的生成式召回技术\n-研发端到端的推荐模型，探索将召回、粗排等多个模块统一在一个大模型框架内，构建高效的下一代推荐链路\n-针对推荐广告系统中的多维收益（广告收入、LTV等），设计适用于大模型体系的多目标优化方案，实现多场景下的收益最大化\n-本科及以上学历，计算机、数学、统计学及相关专业\n-在推荐系统、自然语言处理、计算机视觉或机器学习领域有扎实的理论基础和丰富的实战经验\n-具备优秀的编码能力，精通Python/C++，熟悉Linux开发环境\n-熟练掌握PyTorch或TensorFlow等至少一种深度学习框架\n-具备较强的数据敏锐度和业务洞察力，能从复杂的业务场景中抽象出清晰的算法问题\n-自我驱动，具备优秀的沟通协作能力，敢于挑战技术难题",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}