字节跳动
实习大模型算法（可靠性方向）实习生-小荷健康
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机、人工智能、统计、数据科学、生物医学工程或相关专业优先
- 在大模型算法、Agent/RAG/Tool Use/Memory、多模态理解、模型对齐、AI可靠性、真实世界数据分析或医学知识与证据体系中至少一个方向有可证明的项目、研究或工程产出
- 理解LLM的能力边界与常见失效模式，熟悉Agent、RAG、多模态模型或LLM Harness中至少一个方向的方法与评估要点
- 具备从方法设计、数据处理、实验验证到错误分析的完整执行能力，能够将开放问题转化为可迭代的算法方案。
- 加分项
- 在医疗AI研究或部署中有可证明的产出；医学、临床、药学或公共卫生背景；理解GRADE、Systematic Review、临床证据等级等循证医学方法者更佳
- 在ICML、ICLR、NeurIPS、ACL等AI会议发表过AI安全、对齐、RAG、评测相关研究
- 在同行评议医学期刊有医疗AI、临床决策或循证医学相关产出
- 在Fact-Checking、Hallucination Detection、Red Teaming等方向有公开工作。
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：小荷健康团队专注于小荷AI医生业务和抖音/头条医疗搜索业务的相关工程和策略研发，以及小荷健康医疗大模型的研发。我们依托医疗大模型基座的能力，为不同渠道用户提供健康咨询和医疗服务建议能力，助力分级诊疗落地，缓解医患矛盾，缓解优质医疗资源不足且分布不均的问题，并以“为每个中国人/家庭提供一个私人AI医生”为愿景。团队涵盖了前端、客户端、服务端、算法、数据等多个团队。在工程领域我们除了保障业务迭代、性能优化、稳定性工作之外，还会探索先进的跨端技术、适配医疗场景的Agent架构赋能于业务，并积极使用AI Coding提升研发效率。在算法方向，不仅深耕业务全链路策略效果，同时自研的小荷医疗大模型在多个权威医疗Benchmark上达到行业SOTA。
- 1、定义医疗AI的真实世界能力体系，面向用户的多模态、多轮交互和连续健康管理任务，建立大模型在证据使用、对话决策、多模态理解、长期记忆和复杂任务完成中的能力框架；
- 2、建设动态医学知识与证据体系，面向大模型推理、证据使用和长期记忆，构建可更新、可追溯、可核验的医学知识与证据底座，并将真实用户反馈沉淀为可回流的知识资产；
- 3、定义面向医学任务的大模型能力框架，围绕多模态大模型、Agent和LLM Harness，定义医学任务中的工具调用、记忆管理、证据组织、任务编排和行为边界；
- 4、从海量真实交互中发现能力边界，从用户多模态交互中识别有价值的反馈信号，发现模型在理解、推理、记忆和任务完成中的关键问题，并转化为算法、数据和系统迭代方向；
- 5、推动算法能力进入生产系统，在由算法、研发、产品、运营和医学等角色组成的跨职能团队中，将模型能力、知识体系和反馈链路嵌入产品系统，支持模型迭代和产品演进。
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。