课题详情： 课题背景：微信视频号电商致力于优化直播电商、短视频电商等内容分发，提升用户购物和消费体验，以技术升级为微信电商提供增长新动力 。现阶段视频号电商推荐系统已落地LLM推荐和生成式推荐等新推荐范式，下一步将探索两者与传统判别式模型的结合，利用多种建模能力与更合理的算力分配方式，实现在大候选上召回与排序的统一模型，从而提升推荐效果。 课程挑战： 1. 探索传统判别式与生成式模型的融合方式，提升生成式召回的判别能力，并为判别式任务提供高效的候选压缩与候选表征能力 2. 探索基于LLM基座的端到端推荐优化，实现微信多领域用户信息的高效压缩输入，并结合电商业务优化SFT与RL方式 3. 探索LLM表征或推荐结果在判别式与生成式模型的融合方式，提升融合深入程度以提升推荐模型的复杂业务信息感知能力 具体工作（>=T10）： 1. 具备推荐系统全局视野，理解传统推荐系统召回精排等模型的设计原理与局限，基于现有系统设计全新的模型方案，研究大候选和超长序列下序列和候选的压缩和利用方式，找到最佳的算力分配和组合机制，思考已有建模方式如何改进利用。 2. 熟悉LLM的工作方式，结合业务的算力和实时性要求，设计LLM与线上系统的融合方式，让LLM能深度赋能推荐系统。 具体工作（<T10）： 1. 能快速理解各项模型设计思路，承担起单个模型模块的具体工作，能结合实践情况和业界调研解决遇到困难，逐步完善整体设计并工程落地。 2. 熟悉LLM常见SFT和RL工具和训练方式，能结合业务情况选择合适手段达到预期目标 课题要求： 学历和专业要求：计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究生优先，具备扎实的算法理论基础。 技术技能要求：精通深度学习框架，熟悉超大模型训练；掌握推荐系统、召回 / 排序算法及多目标优化机制；具备LLM开发、调优经验。 软性素质要求：具备极强的逻辑推理能力与跨团队协作能力，对技术细节有极致追求，能够独立推动算法项目从模型研发到线上落地的全流程。