字节跳动
校招算法工程师（AI短剧） - TikTok研发
上海 · 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，专业不限
- 扎实的代码能力、数据结构和基础算法功底，熟练掌握C/C++或Python，具备良好的编码习惯、工程实现能力和算法优化意识；掌握人工智能相关核心算法方向，对算法原理、模型训练、效果优化有深刻理解和实际应用经验，包括但不限于以下方向之一：
- 1）大模型后训练与对齐技术：理解大模型后训练流程及数据构建清洗、数据配比、训练稳定性、loss分析、评测体系等关键环节；熟悉SFT、DPO、PPO、GRPO等等后训练方法，理解奖励建模、偏好数据构建、自蒸馏学习、安全性与可控性优化等核心问题
- 2）Agent训练与应用：理解Agent架构设计、任务规划、工具调用、记忆机制、多轮决策与环境交互等方向，了解如何通过强化学习、反馈学习或轨迹优化提升Agent的任务完成能力
- 在机器学习、NLP、CV、大模型、强化学习、Agent、多模态等领域顶级会议或期刊发表过高质量论文者优先，如NeurIPS、ICML、ICLR、ACL、EMNLP、CVPR、ICCV、KDD、WWW等；有高质量开源项目、算法竞赛成绩或大模型相关实践经验者优先
- 有强烈的技术好奇心、自驱力和进取心，出色的问题分析、抽象建模和解决能力，能够主动跟踪大模型、强化学习、Agent等前沿技术进展，并结合实际场景进行探索与落地；具备良好的算法团队意识和协作能力，能够与工程、产品、数据等角色高效配合，紧跟技术发展趋势，参与设计和规划算法方向的中长期发展思路、目标与演进路线。
岗位描述
团队介绍：TikTok研发团队，旨在实现TikTok业务的研发工作，搭建及维护业界领先的产品。加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，支持产品在全球赛道上高速发展；也能接触到包括服务架构、基础技术等方向上的技术挑战，保障业务持续高质量、高效率、且安全地为用户服务；同时还能为不同业务场景提供全面的技术解决方案，优化各项产品指标及用户体验。
在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。目前在北京，上海，杭州、广州、深圳分别开放多个岗位机会。
- 1、负责数据版权内容相关的大模型算法研发工作，相关研发技术在公司等业务场景中应用；
- 2、设计和研发业界领先的高性能大模型算法引擎，提供满足多模态大模型内容理解，Agentic AI Agent应用等场景的原子能力；
- 3、负责算法落地性能评估和分析，制定技术规划和性能标准，持续提升关键技术竞争力；
- 4、深度参与到跟场景适配的Agentic AI Agent Workflow设计研发，并且持续做自我进化学习迭代。
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。