字节跳动
实习推荐大模型算法实习生-番茄
北京 · 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、软件工程等相关专业优先
- 对推荐大模型技术有浓厚兴趣，紧跟行业前沿发展
- 具有扎实的机器学习基础和编码能力，熟练掌握主要的算法和数据结构
- 在国际顶级会议发表论文者优先，包括但不限于KDD、SIGIR、RecSys、ACL、NeurIPS等；有推荐大模型相关论文者优先
- 具备良好的沟通协作能力，能够与团队共同探索新技术，推动新技术在业务落地。
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：Data-番茄团队，负责字节跳动下番茄小说、红果短剧、番茄畅听、国际化短剧等产品的推荐算法和AI相关工作。我们的工作包括优化业界前沿的大规模推荐系统，探索LLM与推荐的结合，并落地生成式推荐范式，从小说、短剧、音频、音乐等内容方向建设完整的内容生态和AI能力，保持业务规模保持超高速增长。
- 1、当今LLM与硬件算力的协同快速发展，从模型和工程架构两方面为推荐系统带来了新的思路与范式，大模型的春风在Scaling Up，LLM4Rec，生成式推荐三个方向递进推动着推荐模型的变革，学术界百家争鸣，工业界也有部分场景落地，盛况类比于推荐系统向深度样模型演变的时期，番茄依托字节跳动的先进中台，在模型Scaling方向已有落地，后续将与架构和自有的多模态内容理解团队紧密合作，并充分发挥自身高质量PGC内容的特点，在超大参数规模Scale，大模型推理能力结合排序模型，生成式推荐范式变革三大方向全面发力，大幅提升强算力下推荐模型的泛化、推理能力与算力利用率，完成推荐系统范式的转变；
- 2、Scaling Up，包括设计并探索Scale上限更高，ROI更好的结构；紧跟行业前端科研，推动优化推荐大模型的训练与推理算力利用率；
- 3、LLM4Rec，包括研究如何让LLM输出与下游推荐模型更好的对齐以及探索将LLM的推理能力融入到排序模型；
- 4、生成式推荐，探索番茄各体裁的最佳Tokenize方案，研究推荐场景下Reward Model如何更好地协同Encoder-Decoder生成架构，完成生成式模型对传统推荐模型的替换落地。
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。