字节跳动
校招广告场景下的生成式搜广推大模型技术研究-Global Ads Infra（北京/上海）
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
- 具备扎实的计算机基础，熟练掌握数据结构、算法、操作系统、网络等基础知识，精通至少一门编程语言（如C++/Python等），有良好的编码规范和工程质量意识
- 在分布式系统、机器学习/深度学习基础设施、或在线服务基础设施方面有实践经验，对训练平台、推理服务、特征服务、存储与缓存、服务治理等任一方向有深入理解
- 熟悉模型训练与推理框架（如PyTorch、JAX、TensorFlow、vLLM、SGLang等）中的至少一种，对分布式训练、模型并行/流水并行、推理加速、异构硬件调度等有实战经验或深入兴趣
- 对广告系统有一定了解，熟悉召回、排序、定向、出价等任一环节的基本原理及常见优化思路，有相关业务经验者优先
- 对大模型、生成式AI、RAG、多模态建模、因果推断、超长序列建模等方向有持续关注，对新技术敏感，愿意在复杂业务场景中推动技术从0到1落地；具备良好的沟通协作能力，能够与算法、产品、运营等多团队紧密合作，驱动复杂项目在不确定环境下持续迭代与交付。
岗位描述
团队介绍：Global Ads Infra 团队面向字节跳动国际化广告业务，构建贯通全球广告主与海量流量的高并发、高性能、高可用广告基础架构与业务中台。我们长期深耕广告投放系统、算法服务与深度学习工程，打造了覆盖多地区、多数据中心的全球化广告系统架构，并在大规模分布式训练、极致低时延在线推理、异构算力统一调度和编译优化等方向形成了体系化技术能力。面向大模型时代，我们将推荐大模型、AIGC 创意生成、投放诊断助手、智能客服与导购、多模态理解与用户建模、强化学习在线策略优化等前沿技术深度融入广告全链路，持续构建高效、稳定、可扩展的大模型基础设施，为字节跳动全球广告业务提供强有力且可持续演进的技术底座。
课题介绍：
本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。
我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。
课题挑战：
- 1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型；
- 2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了；
- 3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。
课题价值：
突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。
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。