哔哩哔哩(bilibili|b站)招聘【B-UP】模型开发工程师AI Infra（校招）
招聘职位：
【B-UP】模型开发工程师AI Infra（校招） 搜索同类职位
岗位介绍：
部门介绍
在 B 站，推荐系统不仅决定“用户看到什么”，也影响“好内容如何被更多人看见”。你将参与 B 站核心内容分发场景的推荐算法研发，覆盖首页推荐、播放页相关推荐、直播推荐、评论/弹幕互动推荐、Push 触达等业务场景，面向海量视频、直播、UP 主与社区互动数据，优化用户体验、内容质量与社区生态。
我们希望你不仅懂模型，也愿意理解 B 站独特的内容和用户：长短视频共存、PUGV 创作生态、ACG 与泛知识内容、弹幕评论互动、投币收藏三连、UP 主成长、社区氛围与内容多样性。这里的推荐不是单纯追求点击率，而是在精准性、多样性、内容质量、创作者生态和用户长期价值之间做聪明的平衡。
实习期间，你还将有机会接触内部大模型能力及主流大模型 API，在真实推荐业务中探索大模型与推荐算法、内容理解、用户理解、创作者生态的结合方式。我们鼓励实习生基于业务问题提出可落地的 LLM / 多模态模型方案，而不仅是调用模型做 Demo。
如果你投递这个岗位，简历中建议重点突出三类内容：
第一，推荐系统或机器学习项目中你具体负责的模块和指标提升；
第二，你是否真的理解 B 站，比如弹幕、投币、收藏、UP 主生态和内容分区；
第三，你处理过的数据规模、模型链路、A/B 实验、工程落地经验，或大模型 API 与推荐/内容理解结合的项目。
职位亮点
我们不仅提供传统推荐算法实战机会，也会为实习生提供大模型 API 与业务数据结合的探索空间，支持你把 LLM、多模态理解、语义检索等新技术真正应用到 B 站内容推荐场景中。
你将获得
1.参与 B 站核心推荐系统建设的机会，直接接触亿级用户规模下的视频、直播与社区内容推荐问题。
2.真实业务中的算法闭环经验，从数据分析、模型训练、策略设计到 A/B 实验和线上落地。
3.与算法、工程、产品、运营团队深度协作，理解推荐算法如何影响用户体验、内容生态和创作者成长。
4.近距离接触 B 站特色业务场景，包括首页信息流、播放页推荐、直播推荐、评论弹幕、UP 主生态、内容冷启动与多样性分发。
5.实习期间将提供可用于业务探索的大模型 API 能力支持，帮助你在真实数据和真实场景中验证 LLM 与推荐算法结合的可行性。
6.有机会参与“大模型 + 推荐系统”的前沿课题，包括语义内容理解、多模态推荐、推荐理由生成、智能特征工程、冷启动优化、用户兴趣归因和创作者内容洞察。
7.导师会指导你从算法收益、工程成本、线上延迟、稳定性和业务价值等角度评估大模型方案，帮助你形成从研究想法到业务落地的完整闭环经验。
职位描述
工作职责:
岗位方向：视频推荐 / 垂类内容推荐 / 直播推荐 / 社区互动推荐 / 内容理解与多模态推荐 / 大模型推荐应用
1.参与 B 站个性化推荐算法研发，优化召回、粗排、精排、重排、多目标排序等核心链路，提升内容分发效率与用户体验。
2.基于用户行为数据，包括播放、点击、点赞、投币、收藏、关注、分享、评论、弹幕、点踩、不感兴趣等信号，构建用户兴趣建模、内容表征和多目标学习方案。
3.参与视频、直播、评论、弹幕等 B 站特色内容场景的推荐策略优化，探索兴趣发现、内容多样性、新内容冷启动、UP 主成长扶持、社区质量治理等问题。
4.跟踪推荐系统、深度学习、大模型、多模态理解、图学习、强化学习、生成式推荐等前沿技术，并推动在真实业务场景中的实验和落地。
5.参与推荐系统数据链路、特征工程、离线训练、在线推理、A/B 实验和效果分析，协助优化大规模推荐服务的稳定性与性能。
6.深入理解产品和业务，通过数据分析发现推荐机制中的问题，提出可验证的算法或策略改进方案，并与产品、工程、运营团队协同推进。
7.参与大模型 API 在推荐系统中的应用探索，包括内容标签生成、视频摘要、评论/弹幕理解、用户兴趣归因、推荐理由生成、冷启动内容理解等方向。
8.结合 LLM、多模态模型与传统推荐算法，探索更高质量的内容表征、用户画像构建、意图理解、候选召回增强和排序特征增强方案。
9.基于大模型能力设计离线标注、弱监督数据构造、特征蒸馏、语义匹配、兴趣聚类等算法流程，提升推荐系统对长尾内容、新内容和复杂兴趣的理解能力。
10.参与大模型推荐相关实验评估，关注模型调用成本、延迟、稳定性、可解释性与线上收益之间的平衡，推动方案从原型验证走向业务落地。
工作要求:
面向2027届海内外本硕博毕业生
1.计算机、人工智能、软件工程、数学、统计、电子信息、自动化等优先
2.具备扎实的数据结构、算法和机器学习基础，了解推荐系统常见方法，如召回、排序、多目标学习、Embedding、序列建模、CTR/CVR 预估
3.熟练掌握 Python / C++ / Java / Scala 中至少一门编程语言，具备良好工程能力和代码习惯
4.熟悉 PyTorch / TensorFlow 等深度学习框架，有模型训练、调参、评估或实验经验
5.具备数据分析能力，熟悉 SQL / Hive / Spark / Flink 等工具者优先
6.对推荐系统、内容社区和用户体验有兴趣，能结合业务目标和内容生态思考算法问题
7.具备良好的逻辑思维、学习能力、沟通协作能力，能主动拆解和推进问题
8.了解大模型、RAG、Prompt Engineering、Agent、多模态理解、语义检索等方向，并愿意探索其在推荐场景中的应用
加分项
1.有推荐、搜索、广告、信息流、视频/直播推荐、内容理解、NLP、多模态、图学习或大模型应用相关经验
2.熟悉大规模推荐系统链路，包括召回、粗排、精排、重排、特征工程、在线服务、A/B 实验等模块
3.有 LLM4Rec、生成式推荐、语义召回、向量检索、自动标注、推荐解释、用户兴趣建模等实践经验
4.有调用 OpenAI、Claude、Gemini、Qwen、DeepSeek、豆包、通义千问等大模型 API 的项目经验，并能结合推荐目标设计评估方式
5.熟悉 Prompt 优化、RAG、Embedding 检索、LoRA/SFT、模型蒸馏、向量数据库、离线评测集构建等技术
6.有顶会论文、科研经历，或算法、机器学习竞赛优秀成绩者
7.是 B 站深度用户、UP 主，或对 B 站内容生态、社区文化、互动机制、创作者成长机制有理解
网申须知
网申开始日期：2026-06-15 00:00
网申截止日期：2027-06-30 00:00
仅限 2026-09 至 2027-08 毕业的大学生，每人限投2个职位，请慎重投递。
投递简历
部门介绍
在 B 站，推荐系统不仅决定“用户看到什么”，也影响“好内容如何被更多人看见”。你将参与 B 站核心内容分发场景的推荐算法研发，覆盖首页推荐、播放页相关推荐、直播推荐、评论/弹幕互动推荐、Push 触达等业务场景，面向海量视频、直播、UP 主与社区互动数据，优化用户体验、内容质量与社区生态。
我们希望你不仅懂模型，也愿意理解 B 站独特的内容和用户：长短视频共存、PUGV 创作生态、ACG 与泛知识内容、弹幕评论互动、投币收藏三连、UP 主成长、社区氛围与内容多样性。这里的推荐不是单纯追求点击率，而是在精准性、多样性、内容质量、创作者生态和用户长期价值之间做聪明的平衡。
实习期间，你还将有机会接触内部大模型能力及主流大模型 API，在真实推荐业务中探索大模型与推荐算法、内容理解、用户理解、创作者生态的结合方式。我们鼓励实习生基于业务问题提出可落地的 LLM / 多模态模型方案，而不仅是调用模型做 Demo。
如果你投递这个岗位，简历中建议重点突出三类内容：
第一，推荐系统或机器学习项目中你具体负责的模块和指标提升；
第二，你是否真的理解 B 站，比如弹幕、投币、收藏、UP 主生态和内容分区；
第三，你处理过的数据规模、模型链路、A/B 实验、工程落地经验，或大模型 API 与推荐/内容理解结合的项目。
职位亮点
我们不仅提供传统推荐算法实战机会，也会为实习生提供大模型 API 与业务数据结合的探索空间，支持你把 LLM、多模态理解、语义检索等新技术真正应用到 B 站内容推荐场景中。
你将获得
1.参与 B 站核心推荐系统建设的机会，直接接触亿级用户规模下的视频、直播与社区内容推荐问题。
2.真实业务中的算法闭环经验，从数据分析、模型训练、策略设计到 A/B 实验和线上落地。
3.与算法、工程、产品、运营团队深度协作，理解推荐算法如何影响用户体验、内容生态和创作者成长。
4.近距离接触 B 站特色业务场景，包括首页信息流、播放页推荐、直播推荐、评论弹幕、UP 主生态、内容冷启动与多样性分发。
5.实习期间将提供可用于业务探索的大模型 API 能力支持，帮助你在真实数据和真实场景中验证 LLM 与推荐算法结合的可行性。
6.有机会参与“大模型 + 推荐系统”的前沿课题，包括语义内容理解、多模态推荐、推荐理由生成、智能特征工程、冷启动优化、用户兴趣归因和创作者内容洞察。
7.导师会指导你从算法收益、工程成本、线上延迟、稳定性和业务价值等角度评估大模型方案，帮助你形成从研究想法到业务落地的完整闭环经验。
职位描述
工作职责:
岗位方向：视频推荐 / 垂类内容推荐 / 直播推荐 / 社区互动推荐 / 内容理解与多模态推荐 / 大模型推荐应用
1.参与 B 站个性化推荐算法研发，优化召回、粗排、精排、重排、多目标排序等核心链路，提升内容分发效率与用户体验。
2.基于用户行为数据，包括播放、点击、点赞、投币、收藏、关注、分享、评论、弹幕、点踩、不感兴趣等信号，构建用户兴趣建模、内容表征和多目标学习方案。
3.参与视频、直播、评论、弹幕等 B 站特色内容场景的推荐策略优化，探索兴趣发现、内容多样性、新内容冷启动、UP 主成长扶持、社区质量治理等问题。
4.跟踪推荐系统、深度学习、大模型、多模态理解、图学习、强化学习、生成式推荐等前沿技术，并推动在真实业务场景中的实验和落地。
5.参与推荐系统数据链路、特征工程、离线训练、在线推理、A/B 实验和效果分析，协助优化大规模推荐服务的稳定性与性能。
6.深入理解产品和业务，通过数据分析发现推荐机制中的问题，提出可验证的算法或策略改进方案，并与产品、工程、运营团队协同推进。
7.参与大模型 API 在推荐系统中的应用探索，包括内容标签生成、视频摘要、评论/弹幕理解、用户兴趣归因、推荐理由生成、冷启动内容理解等方向。
8.结合 LLM、多模态模型与传统推荐算法，探索更高质量的内容表征、用户画像构建、意图理解、候选召回增强和排序特征增强方案。
9.基于大模型能力设计离线标注、弱监督数据构造、特征蒸馏、语义匹配、兴趣聚类等算法流程，提升推荐系统对长尾内容、新内容和复杂兴趣的理解能力。
10.参与大模型推荐相关实验评估，关注模型调用成本、延迟、稳定性、可解释性与线上收益之间的平衡，推动方案从原型验证走向业务落地。
工作要求:
面向2027届海内外本硕博毕业生
1.计算机、人工智能、软件工程、数学、统计、电子信息、自动化等优先
2.具备扎实的数据结构、算法和机器学习基础，了解推荐系统常见方法，如召回、排序、多目标学习、Embedding、序列建模、CTR/CVR 预估
3.熟练掌握 Python / C++ / Java / Scala 中至少一门编程语言，具备良好工程能力和代码习惯
4.熟悉 PyTorch / TensorFlow 等深度学习框架，有模型训练、调参、评估或实验经验
5.具备数据分析能力，熟悉 SQL / Hive / Spark / Flink 等工具者优先
6.对推荐系统、内容社区和用户体验有兴趣，能结合业务目标和内容生态思考算法问题
7.具备良好的逻辑思维、学习能力、沟通协作能力，能主动拆解和推进问题
8.了解大模型、RAG、Prompt Engineering、Agent、多模态理解、语义检索等方向，并愿意探索其在推荐场景中的应用
加分项
1.有推荐、搜索、广告、信息流、视频/直播推荐、内容理解、NLP、多模态、图学习或大模型应用相关经验
2.熟悉大规模推荐系统链路，包括召回、粗排、精排、重排、特征工程、在线服务、A/B 实验等模块
3.有 LLM4Rec、生成式推荐、语义召回、向量检索、自动标注、推荐解释、用户兴趣建模等实践经验
4.有调用 OpenAI、Claude、Gemini、Qwen、DeepSeek、豆包、通义千问等大模型 API 的项目经验，并能结合推荐目标设计评估方式
5.熟悉 Prompt 优化、RAG、Embedding 检索、LoRA/SFT、模型蒸馏、向量数据库、离线评测集构建等技术
6.有顶会论文、科研经历，或算法、机器学习竞赛优秀成绩者
7.是 B 站深度用户、UP 主，或对 B 站内容生态、社区文化、互动机制、创作者成长机制有理解
网申须知
网申开始日期：2026-06-15 00:00
网申截止日期：2027-06-30 00:00
仅限 2026-09 至 2027-08 毕业的大学生，每人限投2个职位，请慎重投递。
投递简历
免责声明：
此信息由b站官网 (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“b站官网”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！
