字节跳动
校招多模态内容理解算法工程师 - 国际化搜索广告
北京/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历
- 具备扎实的编程能力，熟练使用Python/C++，熟练掌握PyTorch深度学习框架
- 具备扎实的机器学习与数理基础，对大语言模型（LLM）、多模态大模型（MLLM）、生成式模型（Diffusion/Flow-Matching）、强化学习（RL）、Agent等技术有深入理解
- 在多模态内容理解领域有实战经验，熟悉以下方向中至少一个：视频/图像理解，多模态融合与跨模态检索、对齐，多模态大模型训练、微调与评估
- 有广告、电商、推荐等商业化场景内容理解经验，或有国际顶级会议论文、GitHub作品等公开成果，或Kaggle、ACM等算法比赛获奖者优先
- 具备良好的技术钻研精神与创新意识。
岗位描述
团队介绍：国际化搜索广告团队不断突破通用搜索引擎变现的界限，覆盖海外应用，致力于构建全球领先的搜索广告变现系统。在国际化搜索广告团队，您将有机会从事大规模分布式存储和架构、自然语言处理、排序和信息检索相关的问题。您还将深入参与我们的广告样式、创意展示和广告投放链路的创新和优化。我们正在寻找勇于挑战困难、热衷于解决复杂问题并与热情洋溢的候选人们共同发展我们的搜索广告产品。
- 1、负责商业化场景下多模态内容理解基础技术，覆盖全模态全体裁广告理解、行业知识图谱、流量理解、用户意图识别等，为广告投放、创意优选、内容审核等业务提供高质量的语义Embedding表征与明文标签体系；
- 2、探索多模态进阶能力在商业化场景的落地应用，包括但不限于多模态RAG、视觉CoT、多模态Agent、多模态Reward Model等，充分发挥多模态大模型在广告创意理解、商品内容解析、用户意图识别等商业化特色任务上的推理能力；
- 3、探索内容理解与多模态生成大模型的协同演进路径，推动理解-生成一体化模型在商业化内容生产与优化中的应用，协同优化理解/生成大模型与投放系统；
- 4、跟踪行业前沿技术进展，探索Deep Research、Multi Agent等新技术在商业化场景的研究与落地，产出具有行业影响力的研究成果。
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。