小红书(xiaohongshu)招聘【27届】广告算法实习生（Ads core）-中台模型
招聘职位：
【27届】广告算法实习生（Ads core）-中台模型 搜索同类职位
岗位职责：
1.模型 Scaling Up 与底层架构重构： 深入参与广告精排大模型的演进，告别传统冗余的交叉结构，探索如 Token Mixer 等 Hardware-aligned 的极简网络拓扑；在严格的在线 P99 延迟约束下，优化 GPU MFU，实现参数量级的有效跃迁。
2.端到端超长序列建模： 依托全域（推荐/搜索/广告）大一统的特征基建，参与 1K 乃至 10 万级超长泛行为序列的端到端入图；突破传统 Attention 复杂度墙，利用目标感知与分段压缩机制，挖掘长尾用户的巨大商业价值。
3.多模态表征与生成式召回： 结合 最新最潮的 Qwen 等MLLM基座，打通“内容语义”与“用户行为”的隐式关联，产出多模态表征；探索并落地基于以上表征的生成式召回，拓展广告商业流量边界。
4.跨场域 OneModel 融合探索： 参与构建连接搜索、推荐、广告的统一基座模型（OneModel），打通多场景实时流序列特征，优化全链路漏斗（CTR/CVR）的匹配精度与转化效率。
任职要求：
1.基础要求： 硕士及以上学历，计算机、机器学习、深度学习等相关专业，算法理论功底扎实，代码能力过硬（Python/C++，熟悉 TensorFlow/PyTorch 等框架）。
2.业务加分： 对广告推荐业务有浓厚兴趣，了解召回 / 粗排 / 精排链路，有实际的 CTR/CVR 预估模型优化或大厂实习经验者优先。
3.技术加分（满足其一即可）：
a.深入了解并实战过 LLM / 多模态大模型 / 生成式推荐 / 超长序列建模。
b.具备一定的系统工程视角，了解底层算子原理、GPU 体系结构或有高性能计算/推理加速（如 TensorRT、通信压缩）经验。
c.极客与学术加分： 具备前沿技术敏感度，在 SIGIR、KDD、NIPS 等顶会发表过相关论文，或在主流开源社区有深度贡献者优先。
1.模型 Scaling Up 与底层架构重构： 深入参与广告精排大模型的演进，告别传统冗余的交叉结构，探索如 Token Mixer 等 Hardware-aligned 的极简网络拓扑；在严格的在线 P99 延迟约束下，优化 GPU MFU，实现参数量级的有效跃迁。
2.端到端超长序列建模： 依托全域（推荐/搜索/广告）大一统的特征基建，参与 1K 乃至 10 万级超长泛行为序列的端到端入图；突破传统 Attention 复杂度墙，利用目标感知与分段压缩机制，挖掘长尾用户的巨大商业价值。
3.多模态表征与生成式召回： 结合 最新最潮的 Qwen 等MLLM基座，打通“内容语义”与“用户行为”的隐式关联，产出多模态表征；探索并落地基于以上表征的生成式召回，拓展广告商业流量边界。
4.跨场域 OneModel 融合探索： 参与构建连接搜索、推荐、广告的统一基座模型（OneModel），打通多场景实时流序列特征，优化全链路漏斗（CTR/CVR）的匹配精度与转化效率。
任职要求：
1.基础要求： 硕士及以上学历，计算机、机器学习、深度学习等相关专业，算法理论功底扎实，代码能力过硬（Python/C++，熟悉 TensorFlow/PyTorch 等框架）。
2.业务加分： 对广告推荐业务有浓厚兴趣，了解召回 / 粗排 / 精排链路，有实际的 CTR/CVR 预估模型优化或大厂实习经验者优先。
3.技术加分（满足其一即可）：
a.深入了解并实战过 LLM / 多模态大模型 / 生成式推荐 / 超长序列建模。
b.具备一定的系统工程视角，了解底层算子原理、GPU 体系结构或有高性能计算/推理加速（如 TensorRT、通信压缩）经验。
c.极客与学术加分： 具备前沿技术敏感度，在 SIGIR、KDD、NIPS 等顶会发表过相关论文，或在主流开源社区有深度贡献者优先。
免责声明：
此信息由小红书官网 (查看来源)审核并发布，我们转载该信息，仅出于传递更多就业招聘资讯、促进大学生及广大求职者就业之目的。该招聘职位信息的真实性、准确性、时效性及合法性均由原始发布方“小红书官网”负责。我们作为信息转载平台，不构成求职建议，不涉及任何职业中介服务，不对其内容承担任何形式的保证责任。请用户在使用转载信息时保持审慎，自行判断并承担相应风险，求职请认准企业官方渠道！
