字节跳动
实习算法开发实习生（路网数据方向）-业务中台
上海 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、人工智能、自动化、电子工程等相关专业
- 精通Python/C++，具备扎实的算法实现能力，熟练掌握PyTorch框架
- 熟悉CNN、Transformer、ViT等主流深度学习架构，有良好的数学和几何基础
- 每周可实习4天，持续实习3个月
- 深入理解或实践过BEV感知（如BEVFormer等）或端到端矢量化建图（如MapTR等）算法
- 熟悉自然场景文本检测与识别（STR/OCR），有VLM（视觉语言大模型）、SAM等大模型微调、蒸馏或落地经验，有相关项目经历/顶会论文者优先。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：团队负责公司多个跨产品业务方向，提供可复用的平台能力及技术解决方案。我们为公司多业务提供如地理位置、行业数据等多类型的中台能力与技术解决方案，积极利用AI等技术做中台能力提效与升级。
加入我们，你将有机会从中台的多视角参与业务建设，感受不同类型/阶段的业务特点；通过用户场景的开发&架构工作，学习和解决极富挑战的技术问题；你也可以从数据出发，积极利用策略和模型，为业务提供有价值的助力。
- 1、基于车端图像/视频，参与高精度交通标志/路牌的检测、跟踪与分类算法研发；利用视觉大模型（VLM）和高级OCR技术，探索复杂场景下的文本提取与版面分析；
- 2、结合BEV（鸟瞰图）感知架构与多视图几何技术，参与将2D图像目标精准投影至3D空间的研究，助力目标的高精度绝对坐标解算与3D矢量化表达；
- 3、参与研发路牌内容与当前道路、车道的拓扑指向关系算法（如悬空路牌与特定车道的对应关系绑定）；
- 4、参与构建端到端的“路牌/交通标志”自动标注产线，协助研发场景变化检测（Change Detection）算法，助力数据闭环落地。
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。