字节跳动
校招推荐大模型算法工程师 - 今日头条
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、软件工程等相关专业优先
- 具备扎实的机器学习与算法基础；熟悉推荐系统、LLM、Embedding、RAG、多模态等一个或多个技术方向
- 熟练使用Python及主流深度学习框架，具备模型训练、评估和工程落地能力
- 具备较强的论文阅读、实验分析和创新能力，能独立解决开放性问题
- 对前沿AI技术保持热情，具备良好的沟通协作与项目推进能力
- 顶级会议论文、算法竞赛、开源项目或AI/推荐系统落地经验均为加分项。
岗位描述
团队介绍：今日头条推荐算法团队，致力于为用户提供个性化新闻和信息推荐服务，提升头条产品的用户体验。我们的业务涉及内容的个性化分发、生态与质量治理、热点和垂类等多个方向。在这里，你可以研究和改进最前沿的深度学习算法、并在推荐系统中结合LLM等前沿技术探索新的边界，结合对产品、数据的深度分析，将技术应用到实际业务中，服务数亿用户。
- 1、研究LLM在用户理解、兴趣推理、召回排序等环节的应用，探索协同信息注入与推理方法，推动推荐系统由“拟合历史行为”向“理解和推理用户需求”演进；
- 2、建设多模态内容表征体系，利用LLM、VLM统一建模文本、图像与视频，研究语义与协同信息的联合入模，推动表征在各业务场景落地；
- 3、构建生成式用户画像，研究用户多兴趣表达、长短期兴趣演化、新用户冷启动与兴趣探索，提升用户兴趣建模的准确性和泛化性；
- 4、研究SID与生成式推荐技术，探索端到端SID学习及语义—协同联合建模，平衡表示容量、生成效果、更新稳定性；
- 5、打造可交互、可控制的推荐Agent，建设指令理解、兴趣探索、主动澄清和多轮交互能力，形成实时反馈闭环；
- 6、推动强化学习、模型蒸馏与推理加速等前沿AI技术在超大规模推荐系统落地，解决海量数据、高并发和低延迟问题。
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。