字节跳动
实习大模型/Agent算法实习生-TikTok搜索
北京 · 实习 · 硕士
长期有效
任职要求
- 硕士及以上学位在读，计算机等相关专业优先
- 扎实的机器学习/深度学习基础，了解前沿大模型与Agent技术；在NeurIPS/ICML/ICLR/ACL/EMNLP/CVPR/ICCV/ECCV/AAAI等高水平会议发表论文，或有竞赛获奖经验者优先
- 有大模型/Agent相关项目经验者优先：LLM预训练/微调/对齐、Agent开发（工具调用、规划、记忆、多智能体协作）、RAG、RLHF/RLAIF、数据合成、自动化评测等
- 熟悉PyTorch/TensorFlow模型训练与部署；了解分布式训练、混合精度训练等加速方法；了解模型压缩与推理加速（量化、剪枝、蒸馏、TensorRT等）；熟悉大数据相关框架与应用（MR/Spark等）者优先
- 熟悉以下任一方向者优先：
- 1）LLM&Agent：预训练/SFT/对齐、长上下文、Agent Harness与多智能体调度、数据合成、自我提升（Loop/RSI）、自动化评测
- 2）CV&多模态：图像/视频检索、分类识别、图像分割、目标检测、OCR、图神经网络、多模态、自/无监督学习；有CV/多模态大模型项目经验，或Kaggle/COCO/ImageNet/ActivityNet等获奖者优先；CVPR/ICCV/ECCV论文优先
- 3）NLP：预训练、自然语言理解、多语言/跨语言学习、自然语言生成、迁移/半监督学习；有LLM项目经验，或GLUE/SuperGLUE/CLUE等获奖者优先；ACL/EMNLP论文优先
- 优秀的工程实现与学习能力，良好的协作沟通；对搜索与Agent方向有热情。
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：TikTok搜索团队致力于为用户提供精准高效的搜索工具，创造良好的搜索体验，提升信息流动的效率，同时高价值的搜索流量也能带来商业化价值，为TikTok生态内的其他业务提供高效的入口，支持内容生态的发展，提升中尾部视频的消费力量。
你可以有机会参与核心业务功能的开发工作，接触到第一线的用户，我们期待你的加入！
- 1、搜索大模型底座研发：构建并优化搜索领域LLM底座，融合搜索知识快速落地业务；沉淀搜索大模型后训练链路（超长文本、口语文本预训练、图文、视频多模态表征、电商商品多模态表征学习等）；参与大模型推理优化（长上下文优化、模型效率优化）；
- 2、Agent工程与多智能体调度（Harness、Loop）：参与搜索Agent执行框架（Harness）建设——工具调用、规划、记忆、环境交互的统一编排；多智能体集群调度与协作算法（任务分配、动态调度、Agent间通信、对齐、冲突解决）；搭建Agent Loop与「训练-推理-评测」闭环工程；
- 3、长记忆、自我提升与数据闭环（Self-Evolve、RSI）：参与大模型长期记忆机制、跨上下文知识整合等方向；参与Self-evolve/Self-improvemen与递归自我提升（RSI）的前沿探索（自动化参数调优、训练流程自动化、AI辅助算法设计、模型迭代闭环）；数据合成与质量控制（垂类高质量数据合成、分布对齐、合成数据质量评测、筛选、提纯）；
- 4、评测与Reward/Verifier系统：参与构建在线Reward/Verifier系统与自动化评测体系——无需人工标注的自动化评测、长周期复杂任务与跨领域能力评测、多智能体协作评测标准；
5、业务落地：
- 1）长时程任务Agent（常驻意图）；
- 2）多模态创作AIGC：基于SOTA模型的生图、视频能力，承接Feed「看后问、看后创作」体验，强化用户主动认知；
- 3）视觉搜索&端智能：目标检测、OCR、TinyLLM；
- 4）搜索内容、创作者生态等。
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。