字节跳动
校招多模态大模型算法工程师 - TikTok内容安全算法
北京 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 2027届获得硕士及以上学位，计算机或相关专业优先
- 具备扎实的机器学习基础和良好的编程能力，在机器学习、自然语言处理、计算机视觉等相关领域发表过论文，或在相关竞赛、开源项目中有突出表现者优先
- 对人工智能技术保持好奇心和热情，能够快速学习新知识，并主动借助大模型等工具提升学习、研究和工作效率
- 具备较强的问题意识和独立思考能力，能够从复杂现象中发现关键问题，提出假设，并通过实验和数据验证判断
- 具备较强的主动性和结果意识，不局限于完成明确任务，愿意深入理解问题并持续推动解决
- 具备良好的沟通与协作能力，能够与不同背景的合作方共同探索方案，并推动方案在真实业务中落地。
岗位描述
团队介绍：国际化内容安全算法研究团队致力于为字节跳动国际化产品的用户维护安全可信赖环境，通过开发、迭代机器学习模型和信息系统以更早、更快发掘风险、监控风险、响应紧急事件，团队同时负责产品基座大模型的研发，我们在研发过程中需要解决数据合规、模型推理能力、多语种性能优化等方面的问题，从而为平台上的内容审核、搜索、推荐等多项业务提供安全合规，性能优越的基座模型。
- 1、参与大模型（LLM/VLM）在账号与互动安全场景中的研发与优化，覆盖评论、私信、账号资料、图片、视频及账号行为等多种内容和实体形态；
- 2、参与多模态理解、长上下文建模、用户行为建模，以及内容、行为与上下文联合理解等方向的探索；
- 3、参与大模型Continued Pre-training、SFT、RL等训练与优化工作，包括数据构建、模型训练、评测分析和效果迭代；
- 4、参与内容安全数据与评测体系建设，通过数据分析和实验发现问题，持续推动模型能力提升；
- 5、与产品、运营和工程团队协作，将算法能力应用到真实业务场景中，解决实际的内容安全问题；
- 6、关注大模型、多模态和Agent等前沿技术，探索其在内容理解、风险识别和审核决策中的应用。
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。