字节跳动
实习AI Infra研发实习生 - 存储
北京 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、软件工程等相关专业优先
- 熟练掌握至少一门编程语言，包括但不限于：C/C++、Python、Golang等
- 掌握扎实的计算机基础知识，深入理解数据结构、算法和操作系统知识
- 了解分布式系统核心概念，有分布式存储或AI框架相关项目经验优先；对大模型训推流程有一定了解，有AI Infra相关经验优先
- 有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分
- 有强烈的求知欲，优秀的学习和沟通能力。
岗位描述
团队介绍：字节跳动基础设施存储团队，为字节跳动全系产品提供存储服务，对外打造火山引擎公有云存储产品体系，在AI时代深度支撑豆包大模型和方舟大模型平台。我们根植字节跳动最佳技术实践，以数十万台服务器规模和百EB 级数据稳定存储的企业服务经验，通过火山引擎丰富的存储产品矩阵对外赋能。我们积极探索业界顶尖的技术，从底层硬件构造到数据治理和上层应用加速，致力于构建业界领先的云存储服务，释放海量数据的无限价值。
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
- 1、参与AI框架与分布式存储的适配层开发，实现Tensor、Checkpoint等AI数据结构的高效存储与读取，支撑大模型训推场景；
- 2、参与多介质存储调度策略研发，优化DRAM、NVMe等介质的分层存储，平衡AI场景的性能与成本；
- 3、参与EIC、CFS等分布式存储产品的AI场景功能迭代，提升万卡级集群下的IO性能与可靠性；
- 4、参与存算协同技术研发，探索GDR、NVMe-oF等技术在AI场景的应用，优化数据在GPU与存储间的流转效率。
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。