字节跳动
校招机器学习研究员（Agent评测与演进方向） - Data AML
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，计算机科学、人工智能、机器学习、数据科学或相关专业优先
- 具备扎实的机器学习和深度学习基础
- 通过科研、实习或项目，对基于大语言模型的系统有实践经验，例如Agent、工具调用、检索或多Agent系统等
- 具备扎实的Python编程能力，熟悉主流机器学习或Agent评测框架
- 通过论文、重要项目、实习或开源贡献展现出较强的研究或工程能力。
- 加分项：
- 在机器学习或自然语言处理领域的顶级会议发表过论文，如NeurIPS、ICML、ICLR、ACL等；研究方向涉及Agent学习、自我改进、自演进、递归式自我改进（RSI）或Agent评测者优先
- 具备评测方法相关经验，例如指标设计、基于模型的评审、数据标注或统计分析等
- 熟悉大语言模型后训练、推理与规划方法或持续学习
- 具备反馈驱动的优化闭环，或大规模日志及执行轨迹分析经验。
岗位描述
团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。
- 1、设计面向大语言模型Agent的评测体系，覆盖任务成功率、工具使用、推理质量和可靠性等维度；
- 2、构建Benchmark和自动化评测流水线，综合运用规则检查、模型评审和人工评审等方式；
- 3、分析Agent执行轨迹和用户反馈，识别典型失败模式，并将分析结果转化为具体的系统改进；
- 4、推动从经验数据到能力提升的闭环，与研究、平台和产品团队协作，将相关方法落地到生产环境。
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。