字节跳动
实习后端开发实习生（大模型应用）-安全与风控
深圳 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、通信等相关专业优先
- 具备熟练的Python/Go语言编程能力和良好的编程习惯和Git代码管理能力
- 对语言大模型、多模态大模型、智能代理Agent技术以及大模型的部署流程有基本的了解和认识
- 能够独立负责模块级别的服务开发
- 熟练掌握常用的数据库、缓存、消息队列等，了解具体使用场景和性能区别、优缺点
- 热爱技术，主动负责，乐于直面挑战；能够保持开放、持续学习，善于发现问题，具备良好的团队合作精神。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：我们团队为字节跳动的大型语言模型（LLM）业务线提供端到端安全解决方案。我们针对模型训练、推理及部署全流程识别并防控新型风险，同时研发工具与系统，保障LLM资产及相关应用的安全。通过在实际业务场景中推进人工智能安全技术落地，构建了行业领先的防御体系，为人工智能技术的安全演进提供保障。
- 1、负责大模型应用防火墙的后台开发与测试；
- 2、支持产品功能迭代和线上问题排查；
- 3、关注大模型前沿技术，跟进业内最新研究进展和应用趋势，提出创新思路和方向，并落地。
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。