字节跳动
校招3D生成算法研究员-Seed大模型人才校招
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机科学、电子工程、图形学、计算机视觉等相关专业
- 具有扎实的3D视觉基础，熟悉3D生成与重建技术，有相关项目经验者优先；工程能力强，能够独立完成项目开发与优化；具备图形学背景，熟悉3D渲染与建模技术者优先；有Blender、Maya、C4D、ZBrush等建模软件或Unity、UE等引擎使用经验者优先
- 熟练掌握Python或C++，熟悉PyTorch、TensorFlow等主流深度学习框架；具备良好的算法设计与工程实现能力，能够独立攻克复杂技术问题
- 具有良好的团队合作精神和沟通能力，能够与团队成员有效协作；具有创新思维和解决问题的能力，能够在技术研究中提出新颖的解决方案；具有良好的英语读写能力，能够阅读和撰写技术文档和论文。
- 加分项：
- 在3D生成、重建或物理仿真方向发表过高水平学术论文
- 具有AR/VR相关项目经验
- 具有GPU编程与性能优化经验（如CUDA）
- 在计算机图形学、计算机视觉或机器学习领域持有专利。
岗位描述
Seed 大模型人才校招，是字节跳动 Seed 面向高校人才推出的招聘项目。我们始终相信，真正重要的技术进步来自对高难度问题的持续挑战。面对 AI 时代的巨大机遇，Seed 团队并不止步于模型迭代，而是选择进入技术深水区，推进下一代 AI 范式突破，不断探索智能的边界与上限。
团队介绍：字节跳动 Seed 团队成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。
Seed 团队在 AI 领域拥有长期愿景与决心，团队研究方向涵盖 MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE 等超过 50 个应用场景，并通过火山引擎开放给企业客户。第三方数据显示，豆包 App 用户量在中国市场排名第一，豆包大模型日均 Token 调用量行业领先。
- 1、3D生成任务处理和模型训练：参与3D生成相关研究项目，设计并实现高效的3D生成算法；负责模型训练方案的设计与实施，持续优化模型性能；跟踪前沿技术动态，将最新方法引入实际系统；探索物理仿真与生成模型的融合，支持刚体、铰链等物理属性的可控生成；研究大规模3D场景的语义布局与结构一致性生成；探索3D生成、理解与重建的统一建模范式，挖掘生成模型对3D语义、几何及空间关系的内在表征能力；与工程团队紧密配合，推动研究成果的系统化落地；
- 2、3D数据处理：处理和分析多种类型的3D数据，开发高效的处理工具与算法；构建面向物理仿真的数据标注流程，覆盖材质、质量、碰撞等物理属性；支持场景级数据的分块、层次化管理与高效渲染；建设用于生成-理解联合训练的多模态数据集，涵盖几何、语义、实例及关系标注；持续维护和扩充3D数据集，建立完善的数据质量管理机制。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。