字节跳动
实习大模型应用算法实习生-隐私和数据保护办公室
上海 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机科学、软件工程、人工智能、数据科学等相关专业优先
- 熟悉机器学习/深度学习基础，了解Transformer基本原理，有大模型应用经验（如GPT、Claude、BERT等），具备提示词工程实践；有以下经验者优先：AI Agent、工具使用、Function Calling、RAG、GraphRAG、RLHF、强化学习、后训练优化
- 具备一定后端开发技能，熟悉一种后端编程语言如Node.js、Java或C++；有RESTful API开发经验者优先
- 参与过机器学习或深度学习相关的实习、课程项目或个人项目；在开源项目中有贡献，有参与大模型（如GPT、BERT）优化经验者优先
- 具有较强的分析和解决问题的能力，良好的团队合作精神和沟通能力，快速学习和应用新技术的能力。
岗位描述
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
团队介绍：我们是字节跳动隐私与数据保护核心团队，联动法律、安全、研发等多方力量，为全球数亿用户构建第一道数据安全防线。聚焦隐私合规落地、数据风险防控，在超150个国家/地区的复杂隐私、数据合规场景中，构建全生命周期数据安全方案，以“隐私+数据”双通道驱动保护创新。
为什么加入我们？
- 1、全球化核心战场：加入支撑字节跳动国际化生态的关键团队，主导服务数亿用户的隐私安全体系，同字节跳动系产品一起定义行业标准；
- 2、硬核能力历练：攻克数亿级数据防护，横跨美洲、欧盟、东南亚等法律差异等难题，沉淀覆盖多区域的合规技术视野；
- 3、多元成长生态：融入跨多国家多城市的协作团队，参与行业隐私标杆项目，在文化碰撞中解锁国际化合规实战经验。
- 1、构建面向法律、合规与审计场景的垂直AI平台（类似Harvey AI），通过大模型与AI Agent技术，赋能产品研发全流程的风险识别与自动化决策；推动AI在复杂企业场景中的规模化应用；
- 2、探索Agent-based Architecture（Multi-Agent/Tool Use/Planning；包括多步推理、工具调用、Workflow Orchestration等；构建从需求理解→风险识别→证据生成→报告输出的端到端AI系统；
- 3、优化大模型Prompt、Tool Calling、结构化输出，提高模型在专业场景中的准确性与稳定性，参与RLHF/Reward Modeling等后训练流程，提升模型在法律与合规推理中的表现，设计评估指标（Accuracy/Recall/Hallucination Rate），定位问题，并持续优化模型效果；
- 4、构建高质量训练与评测数据集（法律文本、PRD、历史案例等），参与数据清洗、标注与质量评估，提升数据一致性与可用性，探索RAG/GraphRAG/案例-Based Reasoning等知识增强方案；
- 5、开发和维护与模型相关的后端服务（API/Pipeline/Workflow Engine），支持模型在线推理服务的性能优化与稳定性保障，参与AI系统在实际业务中的部署与迭代。
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。