字节跳动
校招国际化广告算法工程师（推荐大模型） - Commercial AI
北京/上海/杭州 · 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，计算机、机器学习和模式识别相关专业
- 熟悉C++和Python，有扎实的编程基础、良好的编程风格和工作习惯，优先：有数据挖掘、分布式计算经验，熟悉Hadoop、Spark框架
- 较好的机器学习/深度学习理论和实践经验，熟悉深度学习算法，优先：发表过KDD、AAAI、CIKM、WWW、RecSys、NeurlPS、ACL、EMNLP等顶会论文，或在Kaggle/ACM等赛事中获得优异名次，熟悉TensorFlow/PyTorch框架和原理
- 熟悉搜广推算法、大语言模型、多模态大模型、深度学习、强化学习等相关领域
- 具备良好的工程意识，能结合工程优化设计并落地大模型方案
- 工作态度积极主动，有强烈的主人翁意识和良好的团队协作精神，愿意接受有挑战性的工作，具有刨根问底的精神，优秀的分析和解决问题的能力，逻辑清晰，具有严谨科学的实验习惯。
岗位描述
团队介绍：Commercial AI隶属于国际化广告（国际化商业产品与技术），聚焦在商业化场景下的AI研发与创新，包括围绕广告场景，探索超长序列复杂模型、生成式推荐和 AI 广告素材生成等核心能力。简化产品流程，提升客户体验，并推动广告系统从素材生成到推荐建模的持续升级，助力广告效果提升和收入增长。
- 1、探索大模型与广告算法结合的下一代广告投放系统，结合大模型的世界知识和训推优化大幅提升广告变现效率，主要方向为超长序列Transformer建模、生成式推荐、推荐Foundation Model与Scaling Law；
- 2、在广告投放系统中充分使用广告素材、落地页的多模态信息，结合多模态建模对齐行为和模态的表征，打造Entity Based的广告投放系统；
- 3、在广告投放高并发场景落地大模型推理，结合Sparse Attention、Sparse MoE、KV Cache等算法-工程联合优化，极致提升推理ROI；
- 4、紧跟行业技术发展，在新一代GPU上探索大模型前沿技术在广告投放系统的技术落地。
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。