字节跳动
校招多模态大模型算法工程师 - TikTok算法
北京/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，计算机等相关专业优先
- 扎实的CV/NLP/多模态建模背景，具备主导或核心参与复杂内容理解系统研发经验；有跨模态对齐、跨语言理解、多语种Embedding等项目经验者优先
- 熟悉Transformer、SIGLIP、Qwen-VL模型等主流多模态架构，有大规模训练和部署经验
- 熟悉主流推荐系统架构，了解推荐内容建模与行为建模的结合方式
- 在CVPR、ACL、EMNLP、NeurIPS、ICLR等会议有论文发表者优先；有强烈的技术热情和团队协作能力，能在复杂系统中快速定位问题并提出解决方案。
岗位描述
团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。
- 1、参与国际化短视频生活服务推荐系统的大模型方案设计与架构创新，推动推荐系统范式向生成式方向升级；
- 2、负责构建可扩展的推荐大模型（如LargeRecModel、OneRec等），涵盖生成式召回、生成式预估、生成式排序等核心模块；
- 3、针对推荐场景中的长序列、多跳兴趣建模问题，设计和实现具备Scaling能力的Transformer模型；
- 4、参与推荐大模型与基础Infra系统的深度协同优化，提升推理效率与推荐精度；
- 5、深入分析业务数据，理解用户行为和兴趣演化过程，结合生成式技术实现更具解释性和泛化能力的推荐系统；
- 6、持续关注前沿技术发展方向，参与推荐系统架构的长期技术演进和技术攻坚。
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。