字节跳动
校招多模态大模型算法工程师 - TikTok内容安全算法
上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 2027届获得硕士及以上学位，计算机、电子、人工智能、数学等相关专业背景
- 扎实的机器学习与深度学习基础，在LLM/VLM/MLLM、计算机视觉、NLP或多模态领域有研发经验；熟悉大模型的预训练、微调与对齐方法（SFT/RLHF/DPO/PPO/GRPO等），有实际落地或开源大模型项目经验者优先；精通PyTorch/TensorFlow等深度学习框架，熟悉Transformers/Qwen等主流大模型生态，具备大规模分布式训练与模型优化经验
- 有搜索、推荐、信息检索或Query理解相关算法系统建设经验，熟悉搜索召回/排序、Query-level意图识别等技术者优先；对内容安全、风险建模、审核场景或LLM Safety有深入理解者优先
- 具备快速决策与落地的能力，优秀的分析问题与解决问题的能力，并热衷于解决具有挑战性的问题；对技术充满热情，具备良好的沟通能力和团队合作精神，能够推动跨团队协作与技术标准建设
- 在顶会/顶刊（NeurIPS、ICML、ICLR、CVPR、ACL、SIGIR、EMNLP等）有论文发表，或在业界大模型/搜索相关项目中担任核心研发角色者优先。
岗位描述
团队介绍：国际化内容安全算法研究团队致力于为字节跳动国际化产品的用户维护安全可信赖环境，通过开发、迭代机器学习模型和信息系统以更早、更快发掘风险、监控风险、响应紧急事件，团队同时负责产品基座大模型的研发，我们在研发过程中需要解决数据合规、模型推理能力、多语种性能优化等方面的问题，从而为平台上的内容审核、搜索、推荐等多项业务提供安全合规，性能优越的基座模型。
- 1、负责国际化搜索场景下多模态大模型安全体系的建设与演进，统筹搜索结果（视频、图像、文本）、搜索推荐词（Query Suggestion）、AI搜索（AI Search）等多链路的内容安全算法能力，打造可持续演进的搜索安全系统；
- 2、负责搜索场景下多模态大模型体系建设，包括大规模基座预训练、指令微调（SFT）、强化学习（RLHF、DPO、PPO、GRPO）及后训练（Post-training）等前沿方向探索，构建安全相关的Reward Model/Preference Model，提升模型在复杂安全场景下的泛化能力与鲁棒性；
- 3、构建具备Query-Context-Aware能力的搜索安全判断模型，解决搜索高吞吐、长尾Query、跨模态、跨语种场景下的内容理解与风险识别问题，优化风险召回与精排（Recall&Ranking）策略，提高安全覆盖率与精度；
- 4、推动LLM安全对齐、Prompt Safety、RAG安全增强、多轮对话风险控制等前沿技术在AI搜索中的落地，主导红蓝对抗（Red Teaming）与安全评测体系建设；
- 5、探索RL、自适应推理、长上下文建模、Agent系统、RAG等新技术在搜索安全场景中的可行路径，跟踪前沿研究成果（如NeurIPS、ICLR、CVPR、ACL、SIGIR等），将最新技术引入业务落地并形成突破；
- 6、在团队内发挥技术引领作用，定义研究方向，推动跨团队协作与技术标准升级，突破现有搜索安全治理系统的流程，探索下一代搜索内容安全业务交互模式。
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。