字节跳动
校招通用基础模型研究员 - AI for Science
深圳/上海/北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届获得博士学位，计算机科学、人工智能、统计学、应用数学、计算化学、计算物理等相关专业优先
- 具备扎实的机器学习基础，深入理解深度学习及基础模型相关技术，在以下至少一个方向具备系统研究和成熟成果：大语言模型预训练与后训练、Agent、多模态学习、图与几何深度学习
- 具备优秀的研究能力和代表性成果，在NeurIPS、ICML、ICLR等机器学习会议，或Nature、Science及其子刊，以及相关领域权威期刊发表过高水平论文
- 熟悉大规模模型训练、数据工程或模型评测中的一项或多项，有科学基础模型、大语言模型、多模态模型或生成式模型的大规模训练经验，能够推动研究原型向稳定系统演进
- 具备较强的问题抽象与技术创新能力，能够从复杂科学问题中提炼可计算、可验证的机器学习问题；对AI for Science和通用智能驱动科学发现具有长期热情，具备攻克开放性难题的韧性，以及良好的跨学科沟通与团队协作能力
- 熟悉分子、材料、化学反应等一种或多种科学数据；在真实工业与科研场景中取得过有影响力的成果；具备模型与实验、计算模拟或科学数据库协同闭环的实践经验。
岗位描述
团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！
- 1、面向AI for Science领域，特别是AI for Materials领域，研发可跨科学任务、跨材料体系、跨数据模态和跨学科迁移的通用基础模型，探索科学数据统一表征、大规模预训练、材料性质预测与材料候选生成等技术；
- 2、研究科学多模态学习、大语言模型、图与几何深度学习、生成模型、强化学习等前沿方向，提升模型的泛化能力、数据效率及可扩展性；
- 3、面向不同材料体系、化学反应等科学对象，融合文献、模拟及实验中的多模态数据，构建统一学习与跨模态对齐方法；
- 4、与机器学习、计算化学和材料高通量实验室等跨学科团队协作，开展原创性研究，产出具有行业影响力的算法、系统、专利及高水平学术成果。
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。