字节跳动
校招大模型算法（豆包输入法） - Data语音
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机科学、人工智能、机器学习或相关专业
- 具备机器学习或深度学习领域的研发经验；对拼写、联想、手写、语音、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；有丰富的模型训练与调优经验；主导过相关且有影响力的项目者优先
- 精通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，熟悉主流深度学习框架；熟悉PyTorch与Hugging Face Transformers等主流深度学习框架，具备良好的代码编写规范和工程实践能力，能够独立完成复杂算法的代码实现；了解基础的MLOps理念与工具，包括模型版本控制、关键指标监控、A/B测试及服务回滚策略
- 在NeurIPS/ICML/ICLR/ACL/EMNLP等顶会发表过相关高质量论文；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
团队介绍：Data-语音团队致力于语音、音乐等大模型AIGC技术的研发和产品创新，我们的使命是通过多模态AIGC音频技术赋能内容创作和语音交互，让内容生产、消费与互动变得更加简单、沉浸、多元化。当前团队已有成熟的大模型语音合成、语音理解、音乐生成等多模态音频技术，并持续迭代大模型端到端语音交互方案等，一方面通过中台形式服务于公司众多业务线，例如豆包/Dola、抖音/TikTok、剪映/CapCut、番茄小说、海绵音乐等产品；另一方面，团队已经通过字节跳动旗下的火山引擎开放平台-语音技术和火山方舟平台，向众多企业开放技术成熟稳定的能力和服务。
- 1、模型训练与创新：负责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研究与开发，优化模型训练流程，提升模型在各类任务中的效果和性能，增强模型的泛化能力和适应性；探索并实践参数高效微调技术（如LoRA，QLoRA，Adapter Tuning等），在保证模型效果的同时，显著降低训练与部署成本；
- 2、数据Infra及管线：负责输入法、多模态等垂直领域大模型的全流程研发工作，包括模型架构设计、数据Schema抽象、用户行为挖掘、模型训练与评估，打造贴合行业场景需求的专业大模型Infra，驱动模型性能和效果提升；
- 3、业务深度协作落地：与产品、运营、设计团队紧密合作，将大模型算法成果转化为实际的产品功能与体验；从需求分析到方案设计，全程参与，深刻理解业务需求，推动模型能力与业务场景的深度融合，形成技术到价值的完整闭环；
- 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，结合业务特点，评估新技术的应用可行性；结合业务需求，对现有大模型算法和垂直领域模型进行优化与迭代，解决模型训练和应用过程中的技术难题，提升模型的性能和效果。
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。