字节跳动
实习【实习】金融场景中的大模型对话及应用-财经风控算法
北京 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 2027届及以后毕业，博士在读，人工智能、计算机、数学、统计学相关专业者优先
- 具备优秀的编码能力，扎实的数据结构和算法功底
- 优秀的分析问题和解决问题能力，对技术有热情，有良好的沟通表达能力和团队合作精神
- 熟悉机器学习、自然语言处理、数据挖掘中的一项或多项
- 在ICML/CVPR/NeurIPS/ACL等顶级期刊会议上发表论文者优先。
岗位描述
团队介绍：依托抖音集团的科技能力和产品，我们为抖音电商、生活服务、直播等场景提供金融服务，为抖音用户提供更好的支付、消费金融、保险等金融服务。科技创新，普惠大众。风控模型算法团队服务财经各业务场景的风控模型/大模型能力建设，负责包括支付，信贷，保险等业务场景的算法模型体系建设，以及大模型在各个业务场景的应用。探索包括生成式大模型，深度学习，自动化等前沿技术在金融和风控领域的全面应用。建设行业领先的金融风控算法能力，支持财经业务的增长。
课题介绍：
字节财经团队专注解决金融场景中智能Agent、实时语音交互、智能风控等应用的技术挑战，通过在金融场景的大模型领域后训练与微调，实现金融Agent智能助手的长历史上下文的记忆、金融级别的指令遵循、支持多模态输入输出、低延迟实时语音对话生成、大模型对系统信息感知和个性化对话等能力，以及针对AIGC的伪造内容进行攻防、结合大模型和深度学习的全新的风控建模等。
课题挑战：
- 1、支持领域知识注入的端到端文本和语音生成问题；
- 2、领域知识注入的大模型后训练和对齐；
- 3、Multi Agent System中的智能决策与系统感知；
- 4、基于宏观经济和结构化数据的智能风控建模。
课题价值：
- 1、支持领域知识注入的实时语音对话模型；
- 2、金融场景的通用智能助手，提升财经各业务场景的GMV和转化率，同时提升用户体验；
- 3、搭建金融风控场景的Agent，提升对风控业务的预测准确率及优化模型性能。
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。