阿里巴巴
校招算法工程师-生成式方向
北京/杭州/上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 计算机、人工智能、应用数学等相关专业硕士及以上学历，在生成式模型领域有深入研究，发表过顶会论文者优先；
- 2. 精通Transformer、Diffusion等生成架构，熟悉RQ-VAE等表征增强技术；熟练掌握强化学习框架(如Verl)，能设计偏好感知奖励系统，优化多目标排序问题，参与过生成式、强化学习相关项目实践的优先；
- 3. 具备大参数模型调优能力，了解混合精度训练、模型量化等优化技术，有大规模分布式训练经验。
岗位描述
- 1. 负责生成式搜推、营销等算法工作，包括但不局限于OneRec/OneSearch类的生成式架构的设计与实现，覆盖千万级DAU的个性化场景；
- 2. 负责生成式相关技术项目，包括端到端内容生成、Decoder Only架构优化、强化学习奖励系统设计等创新模块，显著提升计算效率与推荐质量；
- 3. 构建多模态用户行为建模系统，将短期搜索点击行为与长期购买偏好融合，打造具备语义理解能力的用户标识(UID)体系；
- 4. 探索生成式技术在搜索排序中的应用，开发层次量化编码技术，解决商品、时空、交易等信息结构化难题。
- 1. 计算机、人工智能、应用数学等相关专业硕士及以上学历，在生成式模型领域有深入研究，发表过顶会论文者优先；
- 2. 精通Transformer、Diffusion等生成架构，熟悉RQ-VAE等表征增强技术；熟练掌握强化学习框架(如Verl)，能设计偏好感知奖励系统，优化多目标排序问题，参与过生成式、强化学习相关项目实践的优先；
- 3. 具备大参数模型调优能力，了解混合精度训练、模型量化等优化技术，有大规模分布式训练经验。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。