招聘城市：北京
…3. 基于长周期收益的多对一匹配问题研究：基于订单结构挖掘与优质骑手行为学习，实现多对一订单-骑手匹配问题的分布式实时（秒级）求解，同时合理刻画订单匹配长周期收益，实现调度匹配序贯决策时空全局优化，将日益增长的订单密度，在性能约束下极大程度兑现为骑手效率增益。
任职要求：
海内外高校本科（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
1.超级学霸：专业成绩排名前1%。
2.学术达人：在顶级期刊或学术会议上以第一作者身份发表多篇论文（或导师一作，自己为二作）。
3.竞赛大神：在顶级大赛上获奖。
4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目…
招聘城市：北京
…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（NeurIPS/ICML/ICLR/KDD/AAAI/OR等）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（ACM-ICPC/Kaggle等）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。
加分项：
1.有强化学习、运筹优化、因果推断、时空建模方向的研究背景；熟悉LLM与决策科学融合的前沿方向。
【为什么是我们】
1.真实战场：千万级日订单、百万级骑手，全球最大规模即时配送决策系统。
2.资源保障：充足GPU集群，顶尖模型Token供给。
3.成果导向：鼓励顶会发论文，团队已获Franz Edelman奖。
4.高密度氛围：博士比例高，与顶尖高校保持长期联合研究。
招聘城市：北京
岗位职责：
【课题说明】
外卖配送已经成为极大便利当代人生活的新基建，配送时间是精准匹配用户需求和履约能力的关键系统决策变量。
传统的时间建模主要依赖“时空特征+深度回归”，虽能拟合历史规律，但在处理复杂因果关系、长尾小样本场景及系统级序贯优化时仍存在瓶颈。本项目旨在利用生成式大模型（LLM）的常识推理、多步规划与强大的表征性质，重构新一代时空决策框架。我们试图打破传统判别式模型的上限，通过“LLM + Decision Science”的深度融合，定义即时配送领域的技术新边界，为客户带来更好的服务体验。
【建议研究方向】
1. 知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图…
招聘城市：北京
…配送费定价为核心决策问题，探索因果推断与前沿人工智能技术融合的下一代决策科学范式。本研究直面高维、动态、充满混杂的商业环境中的根本性挑战：商家间复杂的替代与互补关系、多干预下的交叉混杂效应、以及决策影响的延迟传导与长期因果效应。目标是构建能够表征长程因果、进行反事实推演与前瞻性预估的智能决策系统，实现从“数据相关性分析”到“因果性决策”的根本性跨越，为定价策略提供可解释、可预估的科学依据。
【建议研究方向】
1.List-wise替代效应的因果效应建模：传统point-wise的因果模型无法刻画在外卖平台多商家同时曝光、用户主动比价场景下复杂的替代与竞争关系。本研究需攻克两大核心…
招聘城市：北京
…因果模型输出的弹性预估，研究在预算约束下的复杂定价组合优化问题。重点攻克非凸优化（Non-convex Optimization）目标函数的求解难题，大规模分组背包等NP-Hard问题的近似算法或高效启发式求解策略，以及基于强化学习的序贯决策问题，确保定价策略在工业级时延要求下的实时产出与效果最优。
任职要求：
海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
1.超级学霸：专业成绩排名前1%。
2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。
3.竞赛大神：在顶级大赛上获奖。
4.工程高手：有大厂实验室的实习经验，或有贡献突出的…
招聘城市：北京
…下的落地实践，实现“技术驱动业务范式”的升级转变。
【建议研究方向】
1. Agent 工作流与规划：设计具有复杂规划（Planning）与工具调用能力的 Agent，实现任务的自动化拆解与执行。
2. 生成式用户理解：基于 LLM 进行语义挖掘，构建动态用户画像（Persona），实现生成式的用户*运营策略的个性化推荐。
3. 上下文与记忆管理：攻克长窗口（Long Context）难题，设计高效的记忆（Memory）与 RAG 机制，保障长周期交互的逻辑连贯。
4. 行业大模型后训练：通过自动化样本生成、通用评估方案建设、reward设计与探索，大幅提升应用依赖的行业大模型质量。
5. 决策科学融合：将Decision、Causal等传统决策技术与 LLM 推理结合，提升传统的决策智能表现。
我们将提供海量的真实业务场景…
招聘城市：北京
…的智能规划，包括商家配送范围（决策用户是否能在该商家下单）、Area of Interest边框挖掘（AOI，即用户所处地理社区边界，保证用户下单体验的一致性）、用户拼单范围、骑手取件区域的建模与优化。目标是构建能够理解复杂业务需求、驱动范围智能调整的Agent系统，实现“技术驱动业务范式”的升级转变，最终促进平台供给繁荣与用户的供需匹配优化。
【建议研究方向】
1.多模态感知与表征建模：集成地理信息（GIS）、用户热力、图像、自然语言等多模态数据，进行联合表征学习与建模，攻克跨模态语义对齐难题，为空间智能理解与决策提供统一的感知基础。
2.强化学习增强的多模态生成与优化：探索强化学习在多模态大模型中的应用，研究基于…
