字节跳动
校招抖音多业务场景的大模型训练与应用-抖音AI
杭州 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位，计算机、软件工程、人工智能等相关专业
- 优秀的问题分析与解决能力，能够深入解决大模型训练及应用中的复杂问题
- 具备数据构建、指令微调及模型开发经验
- 熟悉大模型相关技术，掌握相关训练推理框架，对大模型预训练、指令微调、Agent训练、RL等方向有深入研究和实践。
- 加分项
- 熟悉代码领域，熟悉Agent训练和Agentic RL训练，熟悉MoE模型训练者优先
- 以第一作者在ICML、ICLR、NeurIPS、ACL、ICSE、FSE等顶级学术会议发表过有影响力的研究成果者优先
- 在ACM/ICPC、NOI/IOI、Kaggle等编程或AI竞赛中获奖者优先
- 主导或参与过具有影响力的AI开源或闭源项目者优先。
岗位描述
团队介绍：抖音AI团队主要负责抖音项目以及团队内的AI落地相关基础建设工作。我们的职责是用前沿的AI技术去赋能抖音应用以及抖音团队。我们希望在AI技术的加持下，能够更好的给抖音用户带来更好的信息消费体验，也能够让抖音这个大型组织能够更加高效的运转，从而更加及时的满足用户的各项诉求。团队主要负责抖音AI基础建设，包括但不限于模型训练、Agent相关的工程链路开发、通用Agent工具抽象以及AI Native的各类产品开发工作。AGI信仰强，以发展成为AI Native组织为目标，努力拓展传统协作模式的职责边界，充分给同学们提供自身探索的空间。
课题介绍：
抖音研发团队，负责抖音短视频、直播、中长视频、搜索、图文、音乐、社交通讯、医疗等业务技术开发，以及字节跳动旗下产品的客服平台、业务安全、用户增长、用户体验、抖音账号、AI技术研究与赋能等中台团队的研发工作。本次课题共涉及5个方向：
- 1、用户体验：抖音场景下的端侧大模型架构与推理加速体系研究；
- 2、抖音直播：迭代3D生成大模型，优化数据、编码和模型架构，提升3D资产生成效率和品质；
- 3、汽水音乐：聚焦音乐生成大模型的核心算法研究与优化，旨在攻克上述技术瓶颈，提升AI音乐创作的质量、可控性与创新性，赋能短视频配乐、虚拟偶像等多元应用场景；
- 4、AI技术研究与赋能：随着大模型在代码生成与软件开发中的应用不断深化，构建端到端AI Coding模型已成为提升研发效率的关键方向。本课题聚焦从数据构建、模型训练（SFT/RL）、到推理部署的全链路优化，探索从需求理解，代码生成与修复，与功能上线的一体化建模方法。重点解决领域知识注入、大规模SFT训练、Agentic RL等问题，推动AI在抖音等真实业务研发场景中的规模化落地；
- 5、小荷健康：围绕问诊、工具调用、科普与病例分析，提升医疗大模型任务规划与推理能力，保证结果准确稳定可用。
课题挑战：
- 1、资源约束极强，需兼顾算力、内存与功耗；通用性要求高，需支撑多业务场景高精度处理；面向差异化设备，实现任务复杂度的弹性适配；
- 2、高质量3D数据严重稀缺，3D几何与纹理表征复杂，生成质量与美术水准比仍有差距，当前链路冗长效率偏低；
- 3、音乐审美偏好的量化建模问题、长序列高品质音乐生成问题、多风格泛化与创新生成问题、推理增强方法的迁移应用问题；
- 4、抖音研发大模型需高效的业务知识注入，复杂且超长的上下文管理，解决高质量训练数据稀缺，Agentic RL的持续训练；
- 5、小荷健康围绕医疗场景基座模型 ，Agent Foundation构建与评测体系，强化模型复杂知识检索、任务分解及长链路执行能力。通过优化 SFT、RL、OPD等后训练方法的组合策略，兼顾模型效果、稳定性与泛化性。同时探究线上用户体验与基座模型训练间的关联，实现医疗大模型能力与实际应用效果的协同提升。
课题价值：
- 1、技术价值：等参数量级下，可大规模落地的业界领先模型；业务价值：提升抖音用户和业务接入的覆盖面，获得用户和营收价值；
- 2、技术上提升3D表征与生成能力，迭代3D生成大模型；业务上支撑直播和社交应用，产出丰富3D资产，满足海量用户的个性化需求；
- 3、技术上突破音乐生成在审美建模、长序列连贯性等核心瓶颈，引领AI音乐生成技术前沿；业务上提升抖音/汽水音乐的AI创作能力，降低音乐创作门槛，丰富内容生态，提供音乐内容供给；
- 4、技术上探索前沿模型训练策略，构建字节内部真实环境下的数据飞轮，提高业务研发效率，提升代码质量与性能；
- 5、技术上提升医疗大模型Agent与Post-Training方向的关键技术突破，提升问诊、科普、病例分析等核心场景业务效果，沉淀可复用的数据、训练与评测方法，支撑长期模型演进。
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。