招聘城市：北京
…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，设计适配时序与图数据的新一代时空表征架构。探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度
2. 多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合。在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理…
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
…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
…的C端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…
招聘城市：北京
…承接全球最大规模外卖业务的即时配送系统进行最前沿的端到端调度决策研究，业务影响力与研究深度并重。可以接触最前沿的调度决策体系，服务于百万级骑手、千万级订单，快速拓宽技术、业务视野。团队氛围好、研究实力强，已发表多篇顶会论文，团队工作入选2023年Franz Edelman奖（全球运筹和管理科学界的最高工业应用奖，被广泛誉为工业工程界的“诺贝尔奖”），在行业内具有国际领先水平。
【建议研究方向】
1.调度大规模实时OR+ML研究：针对调度系统内多样的调度决策行为进行分析，包括但不限于过滤、压单、指派、推荐、改派等，尝试基于深度学习、强化学习等方法对已有的调度决策行为进行端到端建模…
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…
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…
