字节跳动
校招AI数据策略工程师 - 模型数据工程
上海/杭州 · 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，计算机、人工智能、软件工程、数学、自动化等相关专业优先
- 具备扎实的机器学习和深度学习基础，理解Transformer、预训练、持续预训练、SFT、RL等基本原理，对数据质量、数据配比与模型能力之间的关系有较深入的认识
- 在LLM、VLM、代码生成、Agent、多模态学习、强化学习或Data-Centric AI等至少一个方向有研究或项目经验；具备大模型预训练或后训练数据实践经验者优先
- 能够基于模型评测和训练实验分析能力问题，提出数据假设、设计验证实验，并根据实验结果持续迭代数据策略
- 具备良好的编程和工程能力，熟练使用Python，掌握Go、Java/Kotlin、TypeScript、C++等一种或多种语言；有PyTorch、Transformers、大规模数据处理或分布式任务系统经验者优先
- 在大模型、多模态、机器学习、自然语言处理或计算机视觉相关方向有高质量研究成果，或在NeurIPS、ICML、ICLR、ACL、EMNLP、CVPR等顶级会议发表论文者优先；富有好奇心和自驱力，具备较强的研究能力、开放问题解决能力及沟通协作能力，兼具算法理解与工程落地能力者优先。
岗位描述
团队介绍：数据工程与平台团队旨在实现人类知识与经验向模型能力的加速迁移。我们从真实场景出发，通过模型短板识别、高质量数据定义、规模化数据生产，提升模型能力。与此同时，团队还致力于依托训练反馈，反哺数据设计，推动系统迭代，构建业内一流的数据工程能力与平台。
- 1、负责字节跳动Seed大模型的预训练数据策略与生产，覆盖LLM、VLM及多模态模型；围绕模型能力目标，开展高质量数据寻源、采集解析、清洗去重、筛选、配比、合成和规模化生产，持续提升数据的质量、多样性及有效性；
- 2、负责Seed大模型的后训练数据策略与生产，覆盖Pretrain Midtrain、SFT、RL等阶段，以及Code、Agent、多模态和Application等重点方向；围绕模型能力薄弱点，建设任务构造、环境搭建、Agent轨迹生成与分析、Verifier/Reward、自动评测和训练反馈回流能力；
- 3、建设面向复杂任务的数据生产体系，支撑代码生成、General Agent、GUI Agent、Tool Use、长程任务及真实应用场景；通过Workflow编排、环境与任务Scaling、轨迹筛选、质量门禁和自迭代机制，提升训练数据的规模、质量与可复用性；
- 4、参与大模型数据生产平台和基础设施建设，将数据采集、标注、合成、环境、调度、质检、评测和回流沉淀为标准能力；探索Agent驱动的智能标注、数据生成、价值评估、错误修正和自动化数据生产，提升整体生产效率；
- 5、与预训练、后训练算法团队及产品、评测、业务团队协作，将模型训练实验、能力评测和真实用户反馈转化为可验证的数据方案，形成“能力分析—数据生产—模型训练—效果验证”的持续迭代体系。
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。