课题详情： 课题背景： 当前广告推荐系统普遍沿用"召回—粗排—精排"的漏斗式级联链路，各阶段目标割裂、算力与样本空间不一致，误差层层传递，且工程约束反向限制了模型能力上限。随着大模型 Scaling Law 在各领域被验证，业界开始探索用统一模型直接建模从候选到最终排序的全过程。本课题旨在打破传统级联范式，通过算法与工程、业务与技术的联合设计（co-design / re-design），构建端到端的广告推荐大模型，释放全链路一致优化的潜力。 课题挑战： 1、链路重构：如何用统一模型建模数十亿量级候选集，在打破召粗精分治的同时满足在线毫秒级延迟与算力预算，需要算法与工程深度协同的 co-design； 2、目标一致性：端到端建模需在单一模型内协调召回的多样性、排序的精准性与业务多目标（CTR/CVR/GMV/ROI）之间的冲突，避免局部最优； 3、样本与训练：全链路联合建模面临严重的样本选择偏差（SSB）与曝光偏差，如何构造无偏训练信号、稳定超大规模稀疏模型的训练是核心难点； 4、系统协同重设计：模型结构、特征体系、检索索引与在线服务需整体 re-design，任何单点优化都可能被系统瓶颈抵消。 具体工作： 1、研发端到端广告推荐大模型，探索召粗精一体化的新范式与统一建模结构； 2、联合工程侧完成检索、索引、在线服务的协同 re-design，打通算法与系统边界； 3、攻关全链路无偏训练、多目标一致优化与规模化扩展，持续突破链路效果天花板。 课题要求： 1、硕士研究生及以上学历，计算机科学、人工智能、机器学习、应用数学等相关领域； 2、对推荐系统与大模型技术有浓厚兴趣，具备扎实的算法与数据结构基础和优秀的编程能力，熟悉主流深度学习框架（PyTorch/TensorFlow）； 3、拥有扎实的机器学习基础，在推荐系统、大语言模型（LLM）、生成式建模等方向有深入理解；对召回/排序链路、序列建模、大规模稀疏模型有实践经验者优先； 4、有大规模分布式训练、算法与工程协同优化（co-design）经验，或在国际竞赛（包括但不限于 ACM-ICPC、数学建模大赛）获奖、在国际顶会（包括但不限于 KDD、NeurIPS、ICML、ICLR、SIGIR、RecSys 等）发表论文者优先； 5、优秀的分析与解决问题能力，敢于挑战传统架构、对突破推荐系统链路瓶颈充满激情。