字节跳动
实习大模型应用实习生-技术风险
杭州 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、软件工程、人工智能等相关专业
- 有相关领域项目/研究经验优先，包括但不限于异常检测、日志检测、故障诊断、根因分析等
- 熟练掌握业界主流大语言模型（GPT、ChatGLM、LLaMA等）的算法原理，Fine-Tuning策略、Prompt策略、向量数据库和LangChain等应用范式
- 优秀的数据敏感性和业务理解能力，能够从复杂业务数据中发掘有效洞见。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：字节跳动技术风险团队，提供变更、资金、运维、蓝军等技术风险领域的基建能力，支撑公司数十条业务线的稳定性建设。同时也在积极探索利用大模型技术，在技术风险领域对基建能力做持续的优化和提升，包括智能化资金核对、发布过程的智能检测等。
- 1、探索大模型技术在技术风险领域中的落地应用，提供基于大模型的智能交互、根因定位和异常检测等服务；
- 2、搭建大模型应用的框架，融入技术风险平台，为研发效率提升提供智能服务；
- 3、持续跟进大模型前沿技术、开源方案及其在技术风险领域的应用。
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。