字节跳动
校招AI-3D创作引擎-TikTok研发
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位，图形学、人工智能算法、计算机、数学相关专业优先
- 优秀的代码能力、数据结构和基础算法功底，熟练C/C++，熟悉实时图形渲染技术
- 深入理解神经渲染技术（如NeRF、3DGS）或AIGC-3D技术，具备相关项目科研&落地经验，在SIGGRAPH/SIGGRAPH ASIA/TOG等顶级期刊会议上发表论文者优先
- 主动性和自驱力强，愿意接受挑战
- 优秀的分析问题和解决问题能力，对技术有热情，有良好的沟通表达能力和团队合作精神。
岗位描述
团队介绍：TikTok研发团队，旨在实现TikTok业务的研发工作，搭建及维护业界领先的产品。加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，支持产品在全球赛道上高速发展；也能接触到包括服务架构、基础技术等方向上的技术挑战，保障业务持续高质量、高效率、且安全地为用户服务；同时还能为不同业务场景提供全面的技术解决方案，优化各项产品指标及用户体验。
在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。目前在北京，上海，杭州、广州、深圳分别开放多个岗位机会。
课题介绍：
图形渲染作为多媒体应用的核心基建，在短视频与互动娱乐爆发的当下，其传统制作管线“周期长、成本高、门槛高”的痛点，严重制约了大众创意的释放。近年来，随着AIGC技术的突破（如NeRF、3DGS等新型表征的崛起），3D生成正从实验探索走向商业化落地，并成为未来构建“空间智能”的关键载体。
课题挑战：
- 1、3D数据不足：当前全球高质量原生3D模型数据严重不足（不足1000万套），远落后于图文和视频领域，导致3D生成面临“数据越来越不够用”的困境。为了支撑庞大的生成需求，我们不仅需要探索更高效的筛选与收集手段，还要攻克如何低成本地从海量短视频和直播场景中提取高质量3D与交互数据的难题；
- 2、3D大模型训练门槛与复杂度极高：3D生成模型本质上是一个真正的大模型，其训练门槛极高，需要深厚的分布式多卡训练经验和不断“踩坑”试错的过程。在实际训练中，不仅要解决长序列记忆管理、计算资源分配等复杂的工程难题，还必须在“照片级真实感”、“3D多视角一致性”和“生成可控性”之间找到最佳的算法平衡；
- 3、AI渲染缺乏物理交互与编辑能力：尽管AI渲染（如3DGS）发展迅速，但在实际业务落地中仍受限于算力、效果和一致性。例如，高斯点云难以进行光照交互，仿真互动；同时，由于缺乏传统3DMesh的显式几何特征，AI渲染在处理复杂曲面（如毛发）、支持精细化编辑修改以及保持物理规律一致性上仍存在明显的缺陷；
- 4、强大的视频生成能力如何有效融合到3D渲染：视频生成模型在动态捕捉和真实感上表现优异，但往往缺乏3D空间的一致性和物理可控性。未来的核心难点在于，如何理清视频生成与3D引擎渲染的交错关系，将视频生成模型中强大的空间/时间语义先验有效借鉴并融入到3D渲染领域，从而弥补隐式生成的缺陷，实现从“被动的视频生成”向“主动交互式3D场景”的跨越。
课题价值：
- 1、降低3D内容生成成本门槛：极致降低3D内容的生成门槛与制作成本，彻底打破传统“建模-仿真-渲染”管线周期长、成本高的专业壁垒。通过AI赋能，让普通用户仅需通过文字、图片或视频等极简输入，即可快速生成可在移动端实时渲染的高质量3D内容，真正实现3D创作的平民化；
- 2、拓展3D内容应用场景：大幅提升3D内容的应用多样性与场景泛化性，深度契合日均调用超10亿次的泛创作业务场景（如相机特效、直播礼物、数字人等）。依托海量短视频与直播生态的数据飞轮，推动平台从“提供低门槛创作工具”向“下一代UGC-3D互动娱乐平台”跨越，全面激活业务生态；
- 3、空间智能的底座基石：为未来的空间智能构筑坚实的技术基石。3D生成不仅是构建数字世界虚实融合的核心基础设施，更是实现3D空间理解、推理与交互的关键载体。长远来看，该能力将直接打破纯视觉生成的局限，广泛赋能并应用于XR原生交互、自动驾驶、具身智能以及前沿世界模型的发展。
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。