← 返回岗位列表

字节跳动

实习

算法实习生-Ads Core

上海 · 实习 · 2027 届 · 硕士

长期有效

任职要求

  • 2027届硕士及以上学位在读,计算机、软件工程、人工智能等相关专业优先
  • 具备扎实的计算机基础,熟悉至少一种主流编程语言(如Python/Go/Java/C++等),对后端开发或AI应用开发有实际项目经验者优先
  • 具备良好的问题分析与抽象能力,乐于深入理解业务与技术细节,能够在导师指导下完成实验设计与效果分析
  • 具备良好的沟通协作能力与主人翁意识,学习能力强,愿意在迭代的环境中快速成长。
  • 加分项
  • 有RAG、智能助手、对话系统、推荐/广告相关项目经验
  • 熟悉基本的机器学习/深度学习概念,了解SFT、RLHF等训练范式
  • 有参与大模型或Agent相关科研、竞赛、开源社区贡献的经历。

岗位描述

ByteIntern:面向2027届毕业生(2026年9月-2027年8月期间毕业),为符合岗位要求的同学提供转正机会。

团队介绍:广告核心团队在不同的广告投放阶段建立关键的变现机制

  • 1. 我们建立排序、出价、预算、样式、诊断和其他框架,作为中台,使其他广告团队能够并行迭代他们的产品。
  • 2. 我们实施流量策略,在用户体验的约束下实现收入最大化,实现广告主受众的完全探索。
  • 3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。
  • 1、参与广告客户侧及用户侧Agent应用开发,在导师指导下协助设计并实现端到端Agent系统,覆盖深度调研、投放建议、用户体验优化等多种业务场景;
  • 2、协助优化Agent应用的性能与产出效果,深入理解Agent实现机制及商业化业务逻辑,结合真实评测案例进行问题定位与原因分析,输出可落地的优化建议;
  • 3、参与Agent Context Engineering工作,协助优化包括RAG、工具系统在内的整体生态,提高Agent在高并发、多场景业务环境下的运行效率与稳定性;
  • 4、协助搭建与完善端到端Agent评测体系,基于用户反馈及业务指标,从多维度对Agent进行效果评估,为系统迭代提供数据支撑与决策参考;
  • 5、在实践中加深对大模型与Agent架构的理解,接触Multi-Agent、Context Engineering/Management、ReAct/PlanAct/CodeAct等前沿架构与范式;
  • 6、跟进行业前沿技术,了解并尝试模型Post-Training技术(如SFT、RL等),在导师指导下对特定能力问题进行实验性优化探索,为团队提供创新思路与技术方案。

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)

类型专业能力·难度困难
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

类型项目经历·难度中等
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

类型专业能力·难度简单
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

类型专业能力·难度中等
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

类型情景/案例·难度中等
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。