字节跳动
实习机器学习推理执行引擎研发实习生-Data AML
上海 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读
- 扎实的计算机底层基础，精通C/C++、Python编程，熟练掌握CUDA编程、GPU硬件架构原理，熟悉GPU内存模型、计算调度、通信机制
- 熟练掌握深度学习各类基础算子的底层开发实现，精通矩阵运算、归一化、激活函数等算子的GPU适配优化，可独立完成算子手写重构、访存优化、向量化加速、精度对齐，保障算子推理的高性能与高稳定性
- 熟悉深度学习推理编译全链路，理解计算图优化、算子融合、常量折叠、内存复用、调度优化、量化编译等编译技术，能够通过编译层级改造简化推理链路、降低显存占用、减少推理时延，大幅提升模型推理吞吐效率
- 熟练使用Nsight、Profiler等GPU性能分析工具，可精准定位推理过程中算力浪费、访存阻塞、调度冗余等性能瓶颈，具备软硬件协同优化思维，能够输出系统化优化方案并完成落地迭代，适配产业级高并发、低时延推理业务需求
- 具备良好的跨团队协作能力、沟通表达能力与文档撰写能力，有较强的责任心，能够推动复杂技术问题的解决与项目落地。
- 加分项
- 深入理解大模型推理原理，熟练掌握模型并行技术，具备张量并行、流水线并行、序列并行等分布式推理方案落地经验，熟悉多卡通信、负载均衡、并行效率优化方法
- 有vLLM、SGLang、TensorRT-LLM等主流大模型推理框架二次开发、性能优化经验者优先。
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：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。
- 1、负责大模型推理引擎底层架构迭代与GPU全链路性能优化，通过算子融合、编译优化等手段，深度优化GPU访存、计算流水线、Stream异步调度，消除推理计算瓶颈，提升单卡推理吞吐、降低推理延迟；
- 2、适配全系GPU/NPU硬件架构，打磨推理引擎通用性与硬件适配性，搭建高性能、低损耗的大模型推理底层底座；
- 3、主导大模型推理场景下的分布式并行方案设计、开发与优化，重点落地张量并行（TP）、流水线并行（PP）、序列并行、MoE专家并行等多维度并行策略，解决超大模型多卡拆分部署、跨卡通信开销大、负载不均衡、并行效率低下等核心问题；
- 4、跟进全球大模型推理、GPU高性能计算、分布式并行、缓存优化等前沿技术，对标vLLM、TensorRT-LLM等主流推理框架，完成方案落地与技术创新，持续迭代优化推理系统性能与成本优势，构建团队核心技术壁垒。
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。