1、负责抖音虚拟行业商品生态的治理优化，打造健康电商生态，持续改善消费者用户体验，完成治理目标； 2、基于用户在电商购物的需求洞察和量化分析，发现并定义影响消费体验的关键问题持续完善平台商品刻画，制定商品分级治理策略，并协同产品、模型、审核推进包括预警、处罚、处罚等标准处置方案的落地； 3、持续评估治理策略有效性、完善商品管理奖惩能力建设和治理策略改善提升，解决业务问题； 4、基于商家提升商品供给的意愿洞察和对商家经营的深入了解，设计有效的牵引激励机制，推动商家/达人不断改善商品宣传及供给质量。

1、深入理解全球最前沿的大模型技术，挖掘潜在的高价值应用场景； 2、分析模型问题并定义理想态，和评估团队一起建立可量化的评估方法； 3、深入调研行业与市场，量化场景价值，拆解目标达成路径，为团队投入提供清晰指引； 4、能深入实际应用场景，理解客户使用大模型的具体痛点，抽象出通用问题，驱动模型改进。

1、深入理解全球最前沿的大模型技术，挖掘潜在的高价值应用场景； 2、分析模型问题并定义理想态，和评估团队一起建立可量化的评估方法； 3、深入调研行业与市场，量化场景价值，拆解目标达成路径，为团队投入提供清晰指引； 4、能深入实际应用场景，理解客户使用大模型的具体痛点，抽象出通用问题，驱动模型改进。

1、深入理解全球最前沿的大模型技术，挖掘潜在的高价值应用场景； 2、分析模型问题并定义理想态，和评估团队一起建立可量化的评估方法； 3、深入调研行业与市场，量化场景价值，拆解目标达成路径，为团队投入提供清晰指引； 4、能深入实际应用场景，理解客户使用大模型的具体痛点，抽象出通用问题，驱动模型改进。

1、负责抖音电商精选联盟产品：基于对商家达人双边生态理解，针对不同人群设计差异化撮合玩法、交易模式、计费规则，提升撮合效率，提升带货规模； 2、设计激励和调控体系，协同运营团队，做好双边优质供给引入和模式放大； 3、关注电商带货各种新增生意模式，给出创新型解决方案，持续优化撮合规模和商家达人生态。

1、主导智能客服系统开发，基于大模型技术构建电商场景下的多模态对话引擎与自动化服务能力； 2、开发智能化客服工作台，集成对话质量监测、服务工具、服务策略推荐等AI辅助功能； 3、设计并维护亿级消息的高并发IM通信架构，保障商家-用户实时沟通系统的的稳定性。

1、负责电商内容的策划及运营统筹，主要工作包括：洞察用户及内容趋势、协同作者达人&制作方等进行内容策划及开发、协同行业运营完成货品供给、内容流量运营及宣发、数据分析等； 2、以数据和内容洞察为出发点，组局适配作者机构，打造市场上有影响力且好看的抖音电商内容IP及优秀案例； 3、整合行业及商家等投入，策划并匹配货盘供给，推动商家的商业合作，促进电商内容带动品效合一； 4、注重创新，探索并沉淀电商内容营销的长效方法论。

1、负责国际电商AIGC能力（如文本、图像、视频生成）的后台系统架构设计与开发，支撑多场景AI应用服务； 2、负责提升视频素材生产能力，分析并复刻流行创意，进行创意洞察，建设优质素材库，结合Gen AI多模态数据生成，数据驱动优化视频投放的各个环节； 3、深度参与到AI Agent框架和应用研究、工程研发和产品设计等重要环节，与产品、设计等团队合作推动AI Agent产品落地； 4、通过调研和应用前沿的技术架构和先进实践，结合场景建设的研发基础设施，推动国际电商的AI产品快速发展。

1、负责研发提效场景所需要的大模型能力的研发和应用，研究高质量数据的挖掘和合成、大模型的对齐效率、Agent的设计&端到端训练等等，不断思考和跟进AI的最新进展对我们的价值，探索下一代的研发模式； 2、高质量数据挖掘清洗使用，数据自动、半自动合成方案研究探索，设计针对代码场景的原子任务、全链路任务的评测方法； 3、研究LLM/VLM训练与优化技术，包括微调、强化学习（RLHF）、知识蒸馏等，提高大模型在代码场景下的能力； 4、尝试落地到各种应用场景，比如：IDE代码补全、代码能力QA、场景化Agent、代码自动修复、漏洞检测等等； 5、持续跟踪LLM/VLM领域的最新技术动态，并将其应用于实际业务场景中，推动技术落地。

团队介绍：国际化短视频 machine learning团队，负责国际化短视频的基础推荐算法，直接为国际化短视频的核心用户体验负责。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、CV/NLP等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 1、设计并开发面向未来的大规模推荐系统，打造极致个性化、高用户参与度并具备出色可扩展性的用户体验； 2、运用最前沿的机器学习和深度学习技术，特别是大模型技术，以显著提升推荐算法的性能和精确度； 3、与跨学科团队紧密协作，包括架构、产品和研究科学家，共同设计能提升推荐相关性、多样性和用户参与度的先进系统。