招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
1、对负责的区域酒店产品价格、搜索、库存等展示效果进行全面综合的运营、提升酒店商品销量； 2、负责分管区域酒店价格谈判，协同业务经理处理合作酒店的业务关系（包括预订、结算、投诉等）； 3、负责解答商家在与飞猪合作过程中的各种疑问，维系酒店的正常合作关系； 4、负责向商家推广飞猪的新功能、新产品、持续提升消费者的用户体验和商家收益。
1、基于飞猪旅行酒店业务，进行国内外品牌酒店业务拓展； 2、根据公司运营方向，结合市场现状为酒店运营提供解决方案； 3、实现所辖区域内酒店间夜增长，确保业务快速发展并建立深度业务合作关系； 4、协同产品、运营等内部团队，推动业务及项目落地，持续优化用户体验；
1、负责高星酒店集团业务拓展及日常商户运营（店铺及门店运营）； 2、结合市场现状整合高星酒店企业解决方案，包括营销、支付、数据等业务； 3、实现所辖区域内商户快速覆盖，确保业务快速开展； 4、协同产品、运营等内部团队，推动业务及项目落地，持续优化用户体验。
1、根据业务目标及策略，分解并制定落地节奏，挖掘机会，带领团队对所属区域酒店进行开拓与维护，持续提升供应链质量和客情； 2、对团队战斗力和廉政合规负责，通过招培励汰等方式打造一支有血性，有韧性，有要性的专业BD团队； 3、不断提升所负责集团大区/省区/城区客情突破，并结合飞猪平台的玩法提升该集团在行业内的市场份额； 4、负责跨部门和跨BU合作（包括但不限于产品、运营、市场、BI），通过横向合作项目，实现业务目标。
1、基于飞猪酒店业务，进行高星酒店集团门店的业务拓展，保证所辖区域集团酒店门店覆盖率； 2、结合阿里生态&市场特性为高星酒店客户提供运营方案，帮助商家提升运营能力并驱动销量持续提升，与所辖区域单店及城区负责人并建立深度业务合作关系； 3、协同产品、运营团队，推动业务及项目落地，持续优化用户体验。
1、基于飞猪酒店业务，进行高星酒店集团门店的业务拓展，保证所辖区域集团酒店门店覆盖率； 2、结合阿里生态&市场特性为高星酒店客户提供运营方案，帮助商家提升运营能力并驱动销量持续提升，与所辖区域单店及城区负责人并建立深度业务合作关系； 3、协同产品、运营团队，推动业务及项目落地，持续优化用户体验。
1.负责景区/乐园集团大客户的维护及运营合作，与客户建立良好的客情关系，挖掘潜在商机并转化； 2.通过对大客户需求的分析和洞察，发现大客户痛点和业务机会，并形成合适的解决方案，实现客户及平台价值； 3.针对大客户进行运营规划，能够独立进行大客户的BD，通过监控生意结构、合作效率反推产品和运营方案的改进； 4.提升大客户在平台的资源投入，提升品牌在阿里系内外的投放效率，持续跟踪及对指标增长负责； 5.与营销、运营、产品技术等团队合作，协同平台生态伙伴，推动运营落地以及项目的顺利开展。
1、负责高星酒店集团业务拓展及日常商户运营（店铺及门店运营）； 2、结合市场现状整合高星酒店企业解决方案，包括营销、支付、数据等业务； 3、实现所辖区域内商户快速覆盖，确保业务快速开展； 4、协同产品、运营等内部团队，推动业务及项目落地，持续优化用户体验。
1、对所负责区域的业务结果负责，根据商家及区域现状，优化商家布局，提升区域商家综合能力，提升市场控比； 2、结合运营策略、商家策略、商家现状，制定差异化的商家运营方案，丰富及优化供应链，提升产出； 3、通过线上、线下拜访，宣导平台业务方向、政策，提供具体业务建议与培训赋能，提升商家作业效率； 4、协同运营与BDS及时解决商家作业过程中各项问题，提升平台与商家间的对接效率； 5、在商家管理中主动分析、沉淀有效的商家管理方法与业务提升动作，不断学习成长。
1、 监控商家价格竞争力和库存情况，并通过运营方式及时跟进和处理，帮助商家提升交易量； 2、 对接商家供应链、营销、套餐商品等需求，并与内部相关方进行资源和需求对接，完成产品或营销活动的上线； 3、 周期性针对所负责商家运营分析，并提出运营建议帮助BD和商家进行供应链、营销等层面的薄弱环节补强； 4、 结合商家运营需求制定用户运营计划，帮助商家用户资产沉淀； 5、 深入行业直连系统及飞猪EBK产品，及时处理商家问题反馈和产品需求对接。
1、结合集团连锁业务特性，规划分销渠道商品分类，改善、丰富相关商品品类，推动商品结构优化； 2、对门店进行分层管理，推动分销全链路接口优化，保障稳定性； 3、完成品、商、履约的复盘改进，优化现有流程。
1、基于本地零售整体战略，结合城市/区域市场特征、竞争格局、用户结构及业务阶段，结合城市、品类、商家、用户等关键维度，制定分业务线的目标策略及财务投入的管控策略，核心问题与增长机会，推动业务目标的实现。 2、建立城市日常经营诊断机制，搭建经营看板与核心指标体系，定期复盘目标进度、经营质量与策略效果，及时识别风险并推动调整优化。 3、构建城市经营分析框架和方法论，围绕重点城市、重点品类、重点商家或重点用户场景开展专题分析，深入挖掘经营问题与增长机会，形成可复制的经营策略。 4、针对重点策略、专项项目或攻坚任务，建立项目推进机制，明确目标、节奏、责任人与关键里程碑，协同业务、运营、产品、数据等团队推动策略落地。 5、利用AI工具辅助经营数据分析、问题诊断、报告生成、策略推演等工作，提升经营洞察效率与决策质量，推动经营规划工作流程的标准化和智能化。
1、基于业务现状&目标，规划构建零售商全生命周期商业化运营策略，并协调各方资源推动策略落地，对商业化收入规模负责； 2、支持仓业态的商业化策略需求，分析洞察不同业态特性，监控投流策略数据，抽象沉淀投流方法论推动业务覆盖，驱动业务增长； 3、打造投流标杆案例，持续提升广告门店覆盖度及投资效率； 4、通过数据分析洞察各商业化产品的提升点，推动产品、算法、研发等进行产品优化，提升广告变现能力。
1.基础供给稳定：负责连锁集团核心大客户的业务拓展与客情维护，围绕可售/内容/房型/价格/服务系统性提升所负责商家的供应链质量与行业竞争力，重点攻坚"可售"与"价格"两大转化漏点，保障供给确定性，具备牵头推进年度深度合作、把供给拉齐为可谈判筹码的能力； 2.基于平台禀赋的供给调优：结合商家需求与行业市场判断，为集团商家提供体系化运营解决方案，用可量化的生意增速与行业差距收敛指标衡量效果；善用价格机制通过场景价/人群家行程差异价格竞争力； 3.差异化解决方案：结合平台差异化价值，为集团商家提供创新的差异化解决方案——包括第二官网会员互通（同货·同权·同价）、ACM 会员价、等差异化解决方案，推动与商家的共建及深度绑定，形成区别于传统 OTA 价格模式的独特价值； 4.对所负责集团的整体经营效率，间夜规模负责，能够统筹集团整个项目的推进。
1、商品数据基建与商品运营策略：负责行业核心商品运营链路（如IP/趋势/品牌SPU等），驱动差异化的商品运营动作与货盘结构优化，对行业核心货盘的 GMV、商品动销、供给渗透等核心指标负责。 2、AI 能力在商品运营场景的落地：设计AI Native 商品运营工作流，设计并推动 Agent 在选品诊断、商品优化、商家任务生成等场景的应用；建设行业知识库为 Agent 提供上下文引用，搭建评测基线与效能评测体系，持续迭代工具调用准确率与任务完成率。 3、数据 Agent 与自助分析：沉淀行业数据口径为标准训练集与 Skill，构建支持自然语言查询（Text2SQL）的数据 Agent，降低行业/商家/小二的查数与报告门槛，推动 AI 小二工作台等一线工具的应用与迭代。 4、跨团队协同推进：联动行业运营、产品、算法、数据等团队，定义需求、拉通链路、验证效果，推动 AI 商品运营方案从设计到落地闭环。
1. 训练策略设计与优化： 深入理解预训练与RL后训练（如PPO/GRPO等）算法流程，设计并优化大规模分布式训练策略（3D并行、MoE EP、Context Parallel等），解决RL阶段多模型（Actor/Critic/Rollout/Ref）交互的复杂调度与显存墙问题。 2. 框架定制与二次开发： 基于主流训练框架（如Megatron-LM, DeepSpeed等），进行应用层和策略层的二次开发与插件编写，快速支持新模型架构（如长文本、多模态、新型MoE）和新优化器（如Muon, SOAP）的落地验证。 3. 大规模训练稳定性保障（Troubleshooting）： 负责千卡/万卡集群训练的稳定性攻坚。排查并解决训练过程中的Loss Spike、OOM、Hang、通信死锁等疑难杂症，开发自动化诊断、监控与容错恢复工具链。 4. 跨团队协同与联合调优： 作为算法侧接口人，与Infra团队紧密协同。从算法和框架视角提出性能优化需求，配合底层团队完成算子、通信库及硬件层面的联合Profiling与调优，而非独立承担底层基建开发。 5. 前沿技术追踪与落地： 跟踪SOTA大模型训练技术，评估新技术在Qwen训练场景下的适用性，推动训练框架在算法侧的持续演进。
千问（Qwen）是由通义实验室自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从几百 M 到 T 级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder、Qwen-Image等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。 在蕴含丰富世界知识的预训练模型的基础上，我们利用 Post-train 打造出我们想要的能够服务人类的 AI 模型。我们通过 RL、SFT、RFT 等技术，探索大模型潜能的同时，也在塑造大模型的能力与性格。本着为人类服务的目标，我们的 Post-train 将会重点探索其推理能力，实现深度思考，并致力于提升其 Agent 能力，让大模型服务于真实世界的任务。 工作职责： 1. 探索更多可 scalable 的 verifier 信号，并通过 RL 提升模型的各项能力。 2. 提升 reward model 在创作、人类偏好、指令遵循等各专项上的能力，减少reward hacking和bias。 3. 研究 reasoning path压缩和外推，实现更高质量的推理思考。 4. 将LLM的推理能力和Agent以及其他模态相结合，探索统一模态的reasoning。
负责 Qwen 基座模型 Agentic Reward System 的设计、训练与迭代，构建支撑大规模 Agentic RL 训练的奖励信号体系，持续提升模型在 Coding、Agent 等高价值场景下的对齐质量与 RL 训练上限。 1. Coding Reward System：构建面向 Code Agent 的 Reward System，设计 Evolving Rubrics 与 Code Verifier，实现 Outcome & Process Level 的自动化 Rewarding，解决长程 Coding Trajectory 下的 Credit Assignment 与 Reward 稀疏性问题。 2. Agentic User Experience Reward：研究面向 Agent 任务的用户体验建模与 Reward 优化，探索 User Model Rewarding 与 Behavioral Signal Mining，弥合 Benchmark指标与用户实际体验之间的鸿沟。 3. Reward System Infra：以 Reward 信号为核心构建数据飞轮，驱动数据筛选、难例挖掘与合成迭代；建设统一的 Reward 评估与标注框架，与 CPT / SFT / RL训练流程深度耦合，端到端优化全链路传导效率。
1. 挖掘大模型弱点，持续快速构建覆盖各项模型能力的评测数据集，探索可靠、具有可扩展性的评测方案。 2. 参与 LLM-as-a-Judge 方案构建，训练 LLM Judge / Reward Model，建模人类偏好并提升长尾任务的评价准确性。 3. 参与 Reward System 构建，设计 Reward Signal、合成对应数据，并通过 RL提升模型的能力上限。 4. 参与开发 Evaluation、Reward System 所需工程框架，简化各类测试任务和模型集成流程，帮助提高团队效率。
网络安全是大模型 Agent 能力的重要应用场景，也是检验和提升模型能力的重要方向。我们致力于提升模型在网络安全任务中的表现，推动大模型在智能安全领域的研究与应用。 1. 参与模型在网络安全方向的后训练与强化学习，提升模型完成安全任务的能力。 2. 构建网络安全任务的训练环境和评测环境，包括网络安全靶场、漏洞复现、补丁验证、攻防演练等。 3. 探索网络安全任务中的有效训练方法，推动模型能力在真实网络场景中的持续改进。