腾讯广告算法大赛观赛心得：技术人想加入的五个理由

闻乐 发自 凹非寺
量子位 | 公众号 QbitAI

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

现在给鹅厂投简历，还来不来得及？（老板别看）

这趟来蹲腾讯广告算法大赛的现场，我坐在台下直拍大腿——

冠军直接揣走200万奖金，亚军季军的奖励也都是六位数起步，哪怕只是站上答辩台，每个选手都能抱一台崭新的iPad走……

于是我坐在观众席上反复确认一件事：我当年学计算机的时候，怎么没参加这种活动？？

讲真，作为一个曾经也在实验室里敲代码的计算机学生，真正让我动了“求职”心思的，并不只是这些看得见的奖励。

更重要的，其实是通过大赛啃实战级赛题的机会、获得实习或者直通offer的通道，还有大厂提供的算力和平台等资源的诱惑。

用最前沿的问题练手

这场算法大赛的赛题是「全模态生成式推荐」，名字听起来有点长，但它指向的，其实是当下广告和推荐系统里最前沿、也最接近真实业务的一类问题。

简单说，以前做广告推荐，更多是盯着用户点过什么、看过什么，再配合一些文本特征来判断“你可能还想看点啥”。

但现在这套逻辑不太够用了，用户面对的早就不只是文字列表，而是大量图像、视频、音频混在一起的内容流。

全模态生成式推荐要做的，就是把这些来自不同模态的信息统一建模，再用生成式模型的方式，直接生成推荐结果。

这也是为什么赛题会涉及大模型、生成对抗网络、扩散模型等AI方法。

全模态生成式推荐真正进入工业实践，也就是近两年的事情，可以说这次的赛题就是腾讯广告目前最重视的技术

而且这类问题不仅贴近真实业务，挑战也非常具体。

大赛提供的数据集是脱敏后的腾讯广告用户的全模态序列，序列中的每个行为包含丰富的ID信息，以及文本和视觉等多模态信息。

多模态数据引入后，噪声会显著增加，不同模态之间的对齐问题更难处理；数据分布高度不均，长尾样本和冷启动问题会被明显放大；序列一旦拉长，显存占用、训练效率和推理时延，都会成为绕不开的工程约束。

虽然挑战多多，但别以为比赛过程中只有无穷无尽的“卷”，实际上比赛全程氛围非常之友好。

尤其体现在选手们在小某书的这场跑分团建上，大家互相交流思路、分享踩坑经验：

“大佬这个参数怎么调？”“佬，用你的方法优化完速度飞快！”……

从初赛开始算，这场比赛持续了四个多月，我也在决赛答辩阶段来到了现场。

最主要的当然就是听一听选手们的方案。

冠军队Echoch的方案核心在于大规模序列建模与工程可落地性。他们围绕用户全模态行为序列进行建模，通过对高维ID特征进行压缩处理，降低显存和计算开销，从而支持更长序列、更大batch的训练规模。

在建模上，方案强调对用户长期兴趣演化的刻画，并在曝光、点击等多目标约束下进行统一优化，最终在大规模测试集上取得最优整体指标表现。

亚军队leejt的重点放在数据质量与结构建模上。面对多模态特征缺失率高、噪声大的问题，方案先对视觉与内容特征进行筛选和聚合，再基于Transformer的时序结构建模用户行为。

同时引入图结构刻画用户、广告与语义特征之间的关系，以缓解样本稀疏和冷启动场景下的信息不足问题，在稳定性和泛化能力上表现突出。

季军队也许明天则从任务拆解入手，对曝光、点击和转化进行显式区分建模，并采用条件生成方式预测用户后续行为。

该方案强调结果与真实广告投放逻辑的一致性，在推理阶段对低价值曝光进行过滤，使模型输出更贴近实际业务决策需求。

对于这些方案，腾讯公司副总裁蒋杰直言：

算法大赛让我看到了这些年轻人做的方案不比现在工业界自己做的事情差。让我非常惊喜的是学生们对大模型的理解能够跟上工业界的潮流，甚至方案更有创新性。

听完两天的答辩，我不仅被这些五花八门的方案卷到了，还观察到一个很有意思的事情。

选手们不单单是奔着奖金来，其实也想得到一个进入大厂的机会。毕竟有同学“夹带私货”，都把「正在找工作」这样的明示暗示大写加粗搬上了答辩PPT的首页（doge）。

没错，台下评委席坐着的就是包括招聘部门在内的各种负责人以及……腾讯公司副总裁蒋杰。

好好好，这是“真·boss直聘”。

比赛就是一条通往大厂的快速通道

这时候我也反应过来，腾讯广告这波一方面是想办一场标杆级别的算法比赛不假，另一方面也是在给学生们搭一条通往大厂的快速通道

先说办比赛这件事本身。

其实不难理解腾讯广告为什么敢把赛题出到这个难度，无论是全模态生成式推荐，还是广告链路中对效率、稳定性和规模的要求，这些都不是临时拼凑出来的命题，而是已经在真实业务中被反复验证、持续演进的方向。

从已有实践来看，腾讯广告在投放、创意和度量等核心环节，已经形成了较为完整的AI技术体系，而且这套能力都是在日常业务中，经过长期反复检验、试错、打磨出来的。

在这样的背景下，把接近业务真实形态的问题拆解出来，交给学生去做，更像是一种顺势而为。

赛题之所以敢贴近实战，并不是因为难度设计得激进，而是因为背后已经有成熟系统在跑，况且，腾讯有非常庞大的用户盘，有足够多的工程经验和数据基础兜底。

但想做一个有持续影响力的大赛IP，投入的资源就得有诚意、有吸引力。

这些在大赛提供的380万元总奖金池配套的算力支持中足以见得。

顺便提一下，大赛原设定的奖金池是360万元，由于决赛答辩当天一支队伍的方案非常亮眼，于是现场临时增设了20万元的创新奖（鹅厂大气）。

不过，其实很容易被忽略的一点是，包括数据集、算力等在内的这些赛题资源并不只是集中在少数决赛队伍身上，而是贯穿整个赛程，对所有参赛者开放。

那就可以理解成，这次大赛就是对整个学生群体开放的技术练兵场

最终，比赛吸引了全球8400余名学生、2800多支队伍参与，覆盖近30个国家。

最前沿的问题+顶尖资源+广泛的影响力+全面练兵的社会价值=一场标杆级技术赛事。

比赛办完，那就到了另一个环节——揽人

无论是给现金奖励、实习机会还是offer直通资格，其实都是鹅厂在向选手抛橄榄枝。

换个角度看，搞算法大赛这事儿也很高明。

与其校招季在各大高校的招聘会上支起摊位，不如用差不多的人力、物力成本办一场贴近真实的工业级赛事，把最合适的人聚集到一起，集中观察、集中交流。

而且比赛本身就带着筛选逻辑办的。

初赛阶段，数据规模和目标相对收敛；进入复赛后，训练和测试数据被整体升级，序列规模从1M扩展到10M，同时建模目标从偏点击，扩展到覆盖曝光、点击与转化的完整链路。

这一步升级，对选手来说并不友好，却非常真实。

作为一个曾经学计算机的人，我很清楚这种变化意味着什么——原本还能勉强跑通的方案，可能一夜之间就会因为显存、训练效率或工程结构被淘汰。

所以，到了决赛阶段，留下来的已经不是“某一次跑分跑得巧”的队伍，而是能在数据规模和目标复杂度持续升级的情况下，方案依然成立的那一批人。

这套过程，本质上已经完成了一轮相当接近真实业务环境的能力验证。

这样一来，看着排行榜里明明白白的分数，既避免了在海量简历里大海捞针，错过真正的技术好苗子，又能跳出“纸上谈兵”的局限，直观检验学生的真实技术能力和落地实操水平，最终找到贴合需求的硬核人才。

这场算法大赛，对主办方来说是在挑好苗子；对于学生们来说，又何尝不是一条进入大厂的快速通道呢？

资源之外，大厂抢人更比细节

比较关注AI圈动态的朋友可能有所感知，不管是硅谷还是国内大厂，今年的人才争夺战都打得极为激烈。

高薪挖角、定制化福利、快速晋升通道……各家纷纷亮出各种优厚条件。

腾讯自然也不遑多让，先不说薪资上不封顶的青云计划，就在今年4月，公司宣布启动史上最大的就业支持计划。

该计划聚焦青年群体的就业需求，让更多人有机会走进大厂、锻炼技能、积累经验，为职业起步加速。

在这一计划的推进节奏中，2025年腾讯就面向全国吸纳了10000名校招实习生，而这里面有六成岗位是面向技术人才开放的。

研究人员的队伍在不断壮大，也就说明，公司对开发的投入也在不断加大。

不只是想办法要把人才招进来，鹅厂在学生关怀这件事上，也确实是下了功夫

不管是这次的算法大赛还是之前把招聘会直接开进ICCV 2025，在聊技术、聊求职意向之余，腾讯都额外为参加活动的同学们设置了午餐会、交流晚宴等“面基”局。

这活动可让不少同学都开出了“惊喜盲盒”，见到了久仰大名的网友。这样一来，同学们在技术氛围之外，体验感也拉满了。

实际上这种种操作都在释放一个清晰且强烈的信号：我们要人，要年轻人

在今年算法大赛的现场，很明显能感受到被年轻人“包围了”。和几位选手聊了聊，甚至发现其中不少都是00后。

青睐年轻人这一点，通过最近一个重大的人事变动——被放在腾讯AI重要位置上的28岁年轻人姚顺雨的身上也窥见一斑。

这里小声说一句：鹅厂你还蛮挺吸引顶尖人才的目光嘛（doge）。

BTW，今年肯定有像我一样错过这波机会的朋友，所以，在此期待明年还有大赛，还要大办特办！

搞AI的年轻人们快来和本·量子位一起催催～

其实看完今年决赛走出腾讯大楼的时候，我想投简历的想法更强烈了——

因为鹅厂附近的晚霞，好美啊……

— 完 —