字节跳动
实习推荐大模型推理实习生-电商业务
北京 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、人工智能、软件工程等相关专业优先
- 熟悉C++/Java/Golang/Python中至少一门语言，具备良好的工程代码能力
- 扎实的计算机基础，对以下方向至少一项有深入理解或强烈兴趣：深度学习训练与推理系统、分布式系统/高性能计算、GPU/算子/编译优化
- 熟悉Linux开发环境，具备良好的数据结构、算法与系统设计能力
- 对大模型技术有强烈好奇心，具备快速学习能力和良好的技术沟通能力
- 加分项（非必须）：
- 1）了解分布式训练常见概念（DDP/FSDP/ZeRO等）、混合精度、Profile工具
- 2）了解推理优化方向（TorchScript/ONNX/TensorRT、量化、KV Cache、算子融合等）之一
- 3）了解LLM/多模态模型/序列建模（Transformer及其变体）
- 4）有大规模训练、推理优化或推荐/广告系统相关经验。
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：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。
- 1、参与字节跳动推荐与电商广告大模型（LLM/多模态/序列模型）的训练工程开发与优化，包括但不限于：超大规模模型训练框架、高效样本构建与流式数据管道（样本拼接、去重、对齐、延迟修正）、离线训练与在线推理的一致性保障；
- 2、深度参与电商广告大模型的训练性能与稳定性优化工作，包括但不限于：吞吐优化（混合精度训练、梯度累积/检查点）、显存优化、训练任务排障与复现；
- 3、深度参与大模型推理性能优化，面向广告与推荐的高并发、低延迟场景，进行系统级优化：延迟/吞吐分析、推理图优化、批处理与并发优化、显存与内存优化、缓存与显存管理、模型量化、推理链路问题定位；
- 4、结合真实业务目标（召粗/精排Ranking全链路），参与大模型在广告与推荐中的落地应用：用户/内容/商品表征的统一建模、大模型与传统深度模型的混合架构。
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。