字节跳动
校招AI Infra工程师 - 国际支付
杭州/上海/深圳 · 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、计算机工程、统计学、应用数学、数据科学或其他相关专业
- 扎实掌握计算机基础知识，包含操作系统、计算机网络、数据结构；熟悉Linux开发环境，了解GPU运行原理
- 了解PyTorch、TensorFlow、vLLM和SGLang等AI框架，熟悉模型训练、推理部署基本流程。
- 加分项
- 有CUDA算子开发、TensorRT/vLLM部署、K8s容器化、分布式训练实践经验；参与AI-Infra开源项目，或者有GPU性能调优、算力调度相关项目经历
- 发表过CCF A/B类论文或获得过AI相关竞赛TOP奖项者优先。
岗位描述
团队介绍：国际支付，立足于为字节跳动国际化业务提供专业的支付和金融服务，专注于全球支付产品线的质量和效率，确保为国际产品提供高度可靠和稳定的服务，建立国际支付产品和能力，同时在高效助力业务快速拓展的同时，打造行业领先的支付和金融产品能力。团队当前所提供的产品和服务，遍布全球多个国家和地区，团队拥有丰富的国际化产品研发经验；同时这里有全球超大规模的支付网络；覆盖多业务场景的海外钱包及金融产品解决方案；围绕分布式一致性、高并发、高可用、资金安全在内的核心技术能力攻坚；LLM等前沿AI技术在支付&金融服务中的探索、研发和应用。另外，我们在全球设立团队，团队同学背景多元，不同的思维方式，打造了一个多元、碰撞、融合、包容的工作环境。我们邀请你来此成长、专研，发掘无限的潜力，一起应对技术和业务以及跨国合作上的挑战，还有跨文化交流机会在等你！
- 1、负责金融场景下大模型、时序模型、多模态模型的训推基础设施建设，搭建高效稳定的GPU训练集群与推理服务体系，完成模型部署流程建设、算力资源调度治理，提升GPU训练和推理资源利用率；
- 2、跟进业界前沿技术，针对模型压缩、算子优化、推理加速、分布式训练、KV‑Cache优化、模型并行、容器化部署开展技术调研落地；基于PyTorch、TensorRT、vLLM等框架做适配开发；
- 3、参与AI数据处理平台建设，搭建多模态数据处理、特征提取、向量召回、离线数据沉淀的工程链路，完善数据预处理、样本回流、特征加工全流程服务，为算法迭代提供工程保障；
- 4、设计统一模型发布平台和监控体系，建设算力监控、性能指标采集、故障告警、容量评估体系；制定资源交付标准、资源池划分策略，优化模型发布流程，缩短部署周期，提升模型部署成功率；
- 5、和算法工程师、后端研发、国际业务团队紧密协作，理解金融业务对高可用、安全性、稳定性的严苛要求，结合国际风控、智能催收等业务场景输出训推最佳实践方案，助力AI能力规模化落地国际业务。
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。