字节跳动
实习算法实习生-Ads Core
上海 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 2027届硕士及以上学位在读，计算机科学相关专业优先
- 编程基础扎实，精通C/C++和Python，具备深度学习相关实践经验
- 熟悉至少一种主流机器学习框架（TensorFlow/PyTorch等）的架构与实现
- 对大模型等前沿技术有强烈好奇心，具备优秀的问题发现、分析与解决能力，热衷于将前沿技术落地到真实业务场景。
- 加分项：
- 在自然语言处理/计算机视觉/推荐系统领域有论文发表（例如，在RecSys、KDD、ICML、NeurIPs、CVPR等会议的论文列表、研讨会、口头报告等）
- ACM/ICPC等算法竞赛获奖者优先
- 有LLM/生成式AI/强化学习相关研究经验，或在推荐/广告场景有相关算法迭代经验者优先。
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：广告核心团队在不同的广告投放阶段建立关键的变现机制
- 1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。
- 2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。
- 3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。
- 1、探索强化学习和生成式混排策略，在保障用户体验的约束下实现收入最大化，落地不同投放体裁的最优排序逻辑；
- 2、研发生成式召回技术，捕捉用户在不同APP下的LifeLong行为意图，参与重构级联漏斗排序架构；
- 3、落地投放大模型蒸馏方案，构建商业化的基座大模型，在兼顾大模型复杂算力效果的同时，实现模型策略ROI最大化；
- 4、研究因果推断大模型技术，在营销场景下最大化激励介质的边际收益；
- 5、结合视频生成能力，进行优质创意的优选和生成，最大化体验和商业化收益。
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。