字节跳动
实习端到端视频编解码实习生-音视频技术
杭州 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 2027届硕士及以上学位在读，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先
- 熟练掌握Python与至少一种深度学习框架（如PyTorch/TensorFlow），具备独立设计、训练和调试复杂神经网络的能力
- 理解深度学习基本原理，熟悉CNN、Transformer等主流网络结构；对视频/图像压缩、信号处理、信息论有基本的理论储备
- 有实际的深度学习项目经验，能够独立完成模型的设计、训练、调试与评估
- 对视频编码与深度学习的交叉领域怀有浓厚兴趣，有持续追踪和学习前沿技术的热情与主动性
- 具备优秀的逻辑思维与问题分析能力，能够系统性地定位、分析并解决科研或工程中遇到的问题。
- 加分项：
- 在相关领域顶级会议/期刊发表过论文，或有开源项目贡献经验
- 熟悉JPEG-AI/IEEE1857/MPEG-VCM等端到端压缩标准或H.
- 2
- 6
- H.266等视频编码标准
- 具备GPU/NPU平台的性能优化经验。
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：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。
- 1、端到端视频压缩框架研究与实现：参与设计并实现高压缩率、低复杂度的端到端压缩网络，攻坚1080p视频实时解码，并以压缩性能超越H.266/VVC为目标；
- 2、模型设计与性能优化：围绕主流研究方向，研究部署友好的时空上下文建模、码率控制与熵编码结构设计，持续提升端到端压缩收益；
- 3、模型高性能推理优化：探索量化感知训练、算子融合等技术，极致优化模型推理效率、并行计算与存储访问，使神经网络模型能高效运行在目标硬件上；
- 4、系统化评测与分析：构建系统化的编解码器评测流水线，对方案进行模块级复杂度评估和全面的性能分析，识别并优化端到端链路中的关键瓶颈，实现率-失真-复杂度的联合优化。
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。