字节跳动
实习【实习】基于主动进化技术的AI coding数据合成方案探索-AI数据与安全（北京/深圳）
北京 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 2027届及以后毕业，博士在读，计算机科学与技术、数学、统计学、人工智能等相关专业
- 具备扎实的机器学习、深度学习理论基础，熟悉深度学习框架，有丰富的模型训练与调优经验
- 熟练掌握Python编程，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
- 在ACL、ICLR、NeurIPS、CVPR等顶级学术会议发表过有影响力研究成果、在ACM、Kaggle等编程或AI竞赛中获奖、主导或参与过具有影响力的AI开源或闭源项目者优先
- 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；具备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：AI 数据与安全团队为 Seed 基座模型及 AI 原生应用提供跨模态数据服务，覆盖数据生产全流程，包含模型评估标准的制定、数据规模化生产、数据飞轮搭建，不断提升数据质量，支持模型快速迭代。
团队由产品经理、数据工程、数据运营等跨职能人才组成，并通过与 Seed 研究员、行业专家、全球顶尖数据供应商紧密合作，从真实场景中收集反馈并分析模型表现数据，解决 AI 前沿突破过程中的复杂数据问题，推动模型性能与用户体验的双重提升。我们既是帮助模型技术迭代的一线贡献者，也是模型和 AI 产品的一手用户。
课题介绍：
AI Coding是当前大模型领域最热门的方向之一，高质量的Code训练数据和完善的模型评估机制是决定大模型Coding能力上限的关键因素。
本课题通过探索基于主动学习技术的Code数据合成方案，系统性优化Code数据生产过程中存在的生产效率低、数据质量不佳、模型评估机制不完善等痛点问题。
课题挑战：
- 1、动态抗污染Benchmark 构建：针对评测集易污染、静态固化问题，构建具备防泄露机制的评测基准体系；建立动态更新迭代机制，适配模型能力演进与场景拓展，打造稳定可靠的评测标尺；
- 2、基于主动学习与自博弈的数据合成方法：以主动学习筛选策略结合智能体环境模拟，替代高成本人工标注，实现数据自动化、规模化生成；引入自进化与自博弈机制，定向挖掘模型薄弱领域，合成高价值演化数据，补齐能力短板；
- 3、低成本数据质量评估方法：突破单一语义评估局限，构建多维度质量刻画体系，探索轻量化评估路径以适配海量数据需求；建立数据特征与模型效果的强关联机制，形成可量化、可追溯的综合评估体系。
课题价值：
构建 Coding Agent自动化数据合成与主动学习管线，建立数据质量及模型性能评估标准，精准刻画数据与能力边界，降低评估成本，提升豆包大模型在复杂长程SWE任务中的表现。
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。