字节跳动
实习机器学习推理服务框架研发实习生-Data AML
杭州 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读
- 熟悉Linux基础命令，具有扎实的C/C++编程能力和数据结构和算法知识；熟悉多线程并发基础原理，掌握线程使用、同步锁、线程池等基础用法，能够识别常见并发问题，具备多线程场景下基础性能调优能力
- 掌握具备高并发分布式服务的研发项目经验，熟悉服务的延迟与资源优化
- 具备良好的学习能力和执行力，愿意主动了解模型推理服务架构，有问题分析和抽象能力
- 具备良好的跨团队协作能力、沟通表达能力与文档撰写能力，有较强的责任心，能够推动复杂技术问题的解决与项目落地。
- 加分项：
- 具备Redis、RocksDB、bRPC、gRPC等高并发服务/框架有实际项目经验和源码了解
- 了解GPU运行机制，有GPU服务资源管控、负载优化相关项目经验和优化能力。
岗位描述
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
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、负责模型推理服务整体架构设计与落地，针对大参数、高复杂度AI模型打造高性能、高可用、可扩展的企业级推理体系，攻克复杂模型推理落地中的各类架构难题，支撑业务全场景模型高效上线；
- 2、负责推理框架核心模块的研发与优化，涵盖推理引擎调度、监控告警、灰度发布等核心能力，持续迭代框架性能，解决高并发、大模型推理场景下的性能瓶颈、资源瓶颈与稳定性问题；
- 3、跟进业界前沿推理技术，结合业务场景进行技术选型与技术创新，沉淀分布式高并发服务架构方案，推动团队技术体系升级与标准化建设。
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。