字节跳动
实习大模型算法实习生-Data语音
北京 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 2027届硕士及以上学位在读，计算机科学、计算机工程、电子信息技术等相关专业优先
- 对多模态等垂直领域大模型有深入理解，了解该领域的技术发展趋势和应用场景，有相关项目经验者优先
- 熟悉SFT、DPO、RL、KD等大模型算法原理，具备扎实的机器学习、深度学习理论基础；熟练掌握PyTorch、TensorFlow等至少一种主流深度学习框架，熟悉Python编程语言；具备良好的代码编写规范和工程实践能力，能够独立完成中等复杂度算法的代码实现
- 在NeurIPS/ICML/ICLR/ACL/EMNLP等顶会发表过相关高质量论文，或在ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先
- 具有优秀的逻辑思维能力、问题解决能力和创新意识，能够快速学习和掌握新技术；良好的团队协作精神和沟通能力，能在跨部门协作中高效推进项目。
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语音团队致力于语音/音频/音乐相关的AI核心技术研发和产品创新。部门支撑音频和多模态内容从生产、编辑到消费的全流程，赋能内容创作和互动，并以中台形式支持集团多个业务，提供业界前沿的技术能力与解决方案。
- 1、模型训练与创新：参与SFT（监督微调）、DPO（直接偏好优化）、RL（强化学习）、KD（蒸馏）等大模型后训练算法的辅助研发与实验，协助优化模型训练流程，提升模型在输入法场景下的效果和性能；
- 2、数据Infra及管线：协助构建输入法垂直领域大模型的数据处理、用户行为挖掘与模型评估管线，参与打造贴合业务场景的专业大模型基础设施；
- 3、业务深度协作落地：与产品、运营团队紧密合作，将大模型算法成果转化为输入法产品的实际功能，从需求分析到方案设计，全程参与，推动模型能力与业务场景的深度融合；
- 4、前沿技术探索与应用：追踪大模型领域的前沿技术与研究成果，结合输入法业务特点，评估新技术的应用可行性，并协助解决模型训练和应用过程中的技术难题。
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。