美团
校招【北斗】广告大模型应用算法工程师-OneModel广告算法研究员
北京/上海/成都 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 【任职资格】
- 1.在搜广推、大语言模型、序列建模、强化学习等一个或多个方向具有系统性研究积累，并有工业级落地经验。
- 2.在 KDD、SIGIR、WWW、NeurIPS、ICML、ICLR、ACL、EMNLP 等国际顶级会议有论文发表，或主导过具有行业影响力的工业级算法系统研发。
- 3.熟悉 Python 或 C++，具备大规模分布式训练与在线推理系统的独立研发能力；有千亿参数级模型训练经验者优先。
- 4.具备将前沿研究成果推进到线上生产环境的完整经验，能够在严格延迟约束与业务指标要求下完成系统交付。
- 【为什么是我们】
- 1.核心业务场景：美团广告是公司核心商业化引擎，算法研究成果直接影响公司盈利，技术贡献可量化衡量。
- 2.顶级数据规模：亿级用户的本地生活广告场景，涵盖 toC 与 toB 多模态数据，真实工业约束（强稀疏信号、严格时延、多目标优化）构成国内最具挑战性的广告算法研究环境之一。
- 3.学术合作资源：团队与头部高校保持持续的联合研究合作，提供会议投稿支持与学术产出通道。
岗位描述
【岗位职责】
【愿景】
广告系统目前正站在从多级漏斗到端到端大模型的范式跃迁起点，传统的多级漏斗架构（召回→粗排→精排→混排）因各阶段目标割裂、信息截断，存在系统性效率损耗。随着 LLM 表征能力与 Scaling 特性日趋成熟，以端到端生成式模型统一广告全链路决策已成为行业的核心探索方向。本岗位面向美团广告 OneModel 方向，核心任务是研究并落地端到端广告大模型，以统一大模型完成从用户行为信号到最终展示序列的全链路决策，最大化用户体验和平台收益。
【你将参与】
- 1.端到端广告大模型架构设计。基于 Causal Transformer、MLA、MoE 等架构技术，设计突破多级漏斗限制的端到端广告决策框架，支持融合用户行为序列与实时上下文、直接输出具备位置价值感知的展示序列；探索 Semantic ID、动态候选索引等广告生成式检索关键技术。
- 2.广告场景多阶段训练范。结合广告数据稀疏特性，设计"海量用户交互 pre-training + 多目标商业价值 post-training"的分阶段训练体系；研究适配广告约束的 RLHF/价值对齐方法，在用户体验与平台收益之间建立可持续的优化路径。
- 3.广告场景 Scaling Law 研究。探索广告场景下"参数量/数据规模/训练算力 → 业务效果"的转化规律；研究 inference-time scaling、process reward model 等推理阶段增效方向，推动团队迭代范式从人工特征设计向算力驱动跃迁。
【任职要求】
【任职资格】
- 1.在搜广推、大语言模型、序列建模、强化学习等一个或多个方向具有系统性研究积累，并有工业级落地经验。
- 2.在 KDD、SIGIR、WWW、NeurIPS、ICML、ICLR、ACL、EMNLP 等国际顶级会议有论文发表，或主导过具有行业影响力的工业级算法系统研发。
- 3.熟悉 Python 或 C++，具备大规模分布式训练与在线推理系统的独立研发能力；有千亿参数级模型训练经验者优先。
- 4.具备将前沿研究成果推进到线上生产环境的完整经验，能够在严格延迟约束与业务指标要求下完成系统交付。
【为什么是我们】
- 1.核心业务场景：美团广告是公司核心商业化引擎，算法研究成果直接影响公司盈利，技术贡献可量化衡量。
- 2.顶级数据规模：亿级用户的本地生活广告场景，涵盖 toC 与 toB 多模态数据，真实工业约束（强稀疏信号、严格时延、多目标优化）构成国内最具挑战性的广告算法研究环境之一。
- 3.学术合作资源：团队与头部高校保持持续的联合研究合作，提供会议投稿支持与学术产出通道。
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。