美团
校招【北斗】广告大模型算法工程师 -【大模型应用】
北京/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 【任职资格】
- 2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：
- 1.在顶级期刊或学术会议以第一作者身份发表论文（或导师一作，自己为二作）。
- 2.在顶级大赛上获奖。
- 3.有大厂实验室实习经验，或有贡献突出的开源项目。
- 【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，课题覆盖智能销售、智能 IM、智能创意全链路，技术成果直接影响商户转化、用户成单和广告收入。
- 2.大模型落地深水区：面向多轮对话、多模态创意、工具调用、Multi-Agent 和强化学习等真实广告任务，探索大模型从内容生成到业务执行的落地路径。
- 3.数据与学术资源：依托亿级用户、商户、广告投放、IM 交互和转化反馈数据，团队与头部高校持续合作，支持论文投稿与学术产出。
岗位描述
【岗位职责】
【愿景】
美团广告业务覆盖商家营销触达、广告投放、创意生产、用户咨询转化等多个环节，当前整体链路仍高度依赖人工，在覆盖效率、服务成本、响应速度、创意质量和个性化能力上均面临挑战。
本岗位致力于将大模型技术应用于美团广告经营全链路，结合智能销售、智能 IM、智能创意、B端Agent等场景，探索广告领域垂类大模型、多智能体协作、工具调用、多模态生成和转化信号优化等关键能力。通过大模型赋能商家触达、用户交互和创意生产过程，降低广告经营与服务成本，提升商户广告投放意愿、用户成单转化率和平台广告业务效率。
【你将参与】
- 1.智能 IM：设计基于大模型的商家 IM 助手，交互式识别用户意图，完成多轮答疑、导购推荐、客服承接、留资预约等任务。重点研究多智能体协作、动态工具调用、任务分解规划与对话 harness，提升复杂交互任务的稳定执行能力。
- 2.智能创意：借助大模型的多模态理解与生成能力，结合用户画像、商户/品特征、热点趋势和投放目标，探索图文笔记、短视频、长视频、脚本、素材选择等商用级广告创意生成技术。重点研究创意 Agent 框架、开放式任务奖励建模与效果反馈优化。
- 3.智能销售：面向电销、IM、企微等商家触达场景，构建大模型驱动的智能销售系统，提升商户需求理解、广告产品推荐、异议处理和多轮营销对话能力。重点研究商家画像与交互环境建模、销售 Agent 框架、Agentic RL 与转化信号优化。
- 4.B 端 Agent：面向商户广告经营与投放优化场景，构建具备经营诊断、投放建议、效果分析和自动化操作能力的 B 端广告 Agent。重点研究广告 Agent harness、复杂工具调用、长程任务规划执行、状态记忆与效果反馈优化等技术。
【任职要求】
【任职资格】
2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：
- 1.在顶级期刊或学术会议以第一作者身份发表论文（或导师一作，自己为二作）。
- 2.在顶级大赛上获奖。
- 3.有大厂实验室实习经验，或有贡献突出的开源项目。
【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，课题覆盖智能销售、智能 IM、智能创意全链路，技术成果直接影响商户转化、用户成单和广告收入。
- 2.大模型落地深水区：面向多轮对话、多模态创意、工具调用、Multi-Agent 和强化学习等真实广告任务，探索大模型从内容生成到业务执行的落地路径。
- 3.数据与学术资源：依托亿级用户、商户、广告投放、IM 交互和转化反馈数据，团队与头部高校持续合作，支持论文投稿与学术产出。
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。