豆包大模型算法工程师（AIGC Agent方向） - Data AML

杭州/北京/上海/深圳 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

2027届获得本科及以上学历，专业不限
熟悉LLM/VLM/Agent相关技术，具备大模型训练、后训练或Agent优化相关经验；具备Agent RL能力优化；具备AIGC、多模态生成、智能体等方向实践经验，对AI创作场景有长期兴趣和深入理解；具备Agent Post-training、Agent Evaluation、Agent Loop优化经验；具备Multi-Agent、Context Management、Memory、自我进化Agent等方向的研究或工程经验
具备模型迭代经验，深入参与以下任一方向的研究或工程实践：
1）RFT/RLHF/GRPO/OPD等模型强化与对齐优化技术
2）SFT训练体系建设与高质量数据构建
3）多模态模型后训练与能力提升
了解图像/视频生成模型技术，包括Diffusion、VAE、Transformer-based Generation等，有相关优化经验者优先
在NeurIPS、ICML、ICLR、CVPR、ICCV、ACL、KDD等人工智能领域会议发表论文者优先
在ACM/ICPC、NOI/IOI、Kaggle、TopCoder等国内外AI或编程竞赛中取得优秀成绩者优先。

岗位描述

团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。

1、参与Seedream、Seedance等生成模型在AIGC Agent链路中的优化迭代，提升模型生成质量、任务完成能力和用户体验；
2、围绕LLM、VLM、生成模型开展模型后训练与能力增强，包括但不限于：
1）RFT（Reinforcement Fine-Tuning）；
2）RLHF、GRPO等强化学习优化；
3）OPD（Online Policy Distillation）；
4）SFT数据构建与训练优化；
3、参与AIGC Agent系统能力建设，包括：
1）Agent Planning&Reasoning；
2）Context Management；
3）Memory机制；
4）Multi-Agent协作；
5）Self-evolving Agent能力；
4、针对复杂创作场景进行深入分析和优化，建立从数据、模型、Agent链路到产品效果的完整优化闭环；
5、一起将前沿模型能力落地到真实业务场景，推动AIGC产品体验持续提升。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →