字节跳动
校招端侧AI的复杂任务处理与模型优化技术研究-移动OS
北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位，计算机、人工智能、计算机视觉、数据科学相关专业优先
- 扎实的机器学习、NLP/CV/序列建模等基础，具备多模态数据处理等研究背景
- 熟悉Transformer、Diffusion、GAN、CNN/RNN等模型基础结构
- 在NeurIPS/ICML/ICLR/ACL/EMNLP/CVPR/ICCV/ECCV等顶级会议上发表论文者优先
- 优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python
- 出色的问题分析和解决能力，有自主探索解决方案的能力。
岗位描述
团队介绍：我们隶属于产品研发与工程架构部，是字节跳动在智能硬件领域的软件技术攻坚力量—— 聚焦 AI 与智能硬件的深度融合，如豆包手机助手等；以 “让人与设备的交互更自然、更便捷” 为目标，探索前沿 AI 技术的落地场景，打造行业领先的智能硬件综合解决方案。
在这里，你将与一支顶尖技术团队并肩：
直击 AI 与硬件结合的核心技术难题，参与从 “技术探索” 到 “场景落地” 的全链路研发；
主导或深度参与关键技术突破，用创新定义智能硬件的交互未来；
站在行业前沿，将技术理想转化为千万用户可感知的产品体验。
如果你心怀对技术的热忱，渴望在 AI 与智能硬件的赛道上突破自我、创造价值，我们期待你的加入，与我们一起解锁更多技术可能，共筑智能交互的新生态！
课题介绍：
聚焦扩散模型（如 Stable Diffusion）精简训练、多意图推理编排及个性化记忆建模，解决多意图理解、任务动态规划、记忆模型稀疏性及模型轻量化部署等挑战，推动智能助手、图像生成等场景应用。
课题挑战：
- 1、精准理解用户输入中的多意图，推导意图间关系，设计任务推理方法；
- 2、应对行为数据稀疏性，基于长期行为设计有效特征提取与建模方法，构建个性化的记忆模型，提升用户交互的精准度与体验；
- 3、如何在保持生成质量的前提下，精简Stable Diffusion等扩散模型以适应端侧设备；
- 4、实现通用化GUI自动化操作，支持多种设备界面。
课题价值：
探索大模型在端侧的能力并结合对用户的个性化数据的分析和建模，在保护用户隐私的情况下，提供更高性能、低延迟的更智能的用户使用体验。
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。