字节跳动
校招机器学习系统SRE工程师-Seed大模型人才校招
杭州 · 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、软件工程、人工智能、电子信息等相关专业
- 掌握Python/Go/Shell中至少一种编程语言，具备扎实的编程基础，能够独立完成简单的自动化脚本开发
- 了解Linux操作系统基础，熟悉常用的Linux命令，具备基础的Linux环境开发与运维意识
- 对机器学习系统、容器化技术（Docker/Kubernetes）、高速网络（RDMA）、分布式存储等任一领域有一定了解或浓厚兴趣，愿意深入学习
- 具备良好的学习能力、逻辑思维能力和问题分析能力，能够快速接收新知识、适应技术节奏
- 具备强烈的责任心、自驱力和团队协作精神，善于沟通表达，愿意主动探索AI工程化领域的前沿技术
- 有相关课程设计、校园项目、开源项目贡献或AI相关实习经历者优先（无需全职工作经验）。
- 加分项：
- 了解LLM、文生图等生成式AI模型的基本原理，有相关模型训练、部署的课程实践或个人项目经验
- 熟悉Kubernetes生态，有容器编排、集群管理的基础实践经验（如校园项目、课程设计）
- 了解分布式系统、高速网络（RDMA）或高性能存储的基本原理，有相关技术调研或实践经历
- 参与过AI相关竞赛、开源项目，或有技术博客、代码仓库（如GitHub）可展示
- 具备良好的英文阅读能力，能够快速阅读技术文档、跟进前沿技术动态。
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、参与大规模生成式AI（LLM、文生图、文生视频等）训练系统与异构推理系统的辅助开发、测试与维护，协助解决系统稳定性、性能优化相关基础问题；
- 2、协助设计并优化资源调度体系，参与调度策略的落地与验证，学习提升资源利用率、优化调度效率的核心方法，支撑多类型AI任务的精细化管理；
- 3、参与大规模高速网络（RDMA）、异构算力集群（GPU/国产算力）的部署、运维与监控，学习集群拓扑规划、网络带宽优化、算力资源管理的相关技术；
- 4、协助高性能存储系统的选型、测试与运维，了解存储IO性能优化、数据可靠性保障的核心逻辑，适配大规模AI训练与推理的数据存取需求；
- 5、参与训推算力并池混部、离线推理算力提效相关项目的辅助开发，学习算力运营、成本管控的基础方法，沉淀技术实践经验；
- 6、协助搭建训推全链路的监控、告警体系，参与生产环境简单技术问题的排查与处理，培养故障分析与解决能力；
- 7、对接算法、业务团队，学习输出MLOps相关技术文档，参与工程化最佳实践的沉淀，推动团队技术知识的传承与分享。
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。