字节跳动
实习Ads Agent实习生-GenAI
北京 · 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，计算机相关专业优先
- 后训练专业经验：对LLM/MLLM相关后训练技术，包括微调、RL有实践或创新优化相关经验
- Agent领域经验：对长上下文、Agent Memory、多轮工具使用、Agent垂直场景问答、Tool Use、Browser Use、Deep Research等领域有深度实践和理解
- 系统评估：对LLM/Agent相关Reward/Eval System有实践和理解
- 对基模智能边界提升、多模态RAG、强化学习、Agent等前沿技术有持续跟踪和理解。
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：GenAI团队专注于开发跨模态生成式AI前沿技术（涵盖文本、图像、视频、落地页等），为广告主、代理商和创作者打造行业领先的创意提效及投放提效解决方案。我们致力于通过生成式AI技术实现创意工作流自动化，全面提升客户商业收益。团队立志引领广告科技与创意产业的生成式AI变革，为全球客户、创作者及整个生态体系赋能并创造价值。
- 1、探索将LLM和Agent等GenAI技术在广告领域落地，构建业界领先的Agent产品，在广告助手、电商导购、线索留资等关键领域通用的Agent大幅提升广告效率、效果；
- 2、后训练优化：应用和创新后训练方法，如微调、强化学习变体或数据增强，以提升推理能力，提升模型在问答、推理、工具使用等能力的表现；
- 3、深度应用LLM相关技术栈：多模态RAG、Reasoning RL、Reward System、Agent产品构建和评估，为用户提供智能交互产品体验。
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。