字节跳动
实习【实习】大模型时代下的搜广推系统创新研究-Data-抖音/直播/电商/剪映
北京 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 2027届及以后毕业，博士在读
- 学术成果：在相关专业方向有深入研究成果、丰富实践经验者优先，如在自然语言处理、计算机视觉、数据建模、算法优化等领域有突出表现
- 编码能力：熟练掌握常见编程语言中任一项，代码编写能力优秀，能够熟练掌握及应用数据结构与基础算法，并且有较强的工程意识，善于进行效果与成本间权衡
- 机器学习能力：需具备扎实机器学习基础，熟悉常见机器学习模型，如决策树、支持向量机等的原理与应用场景，能熟练构建、训练、优化机器学习模型；熟悉最新AGI前沿技术，具备快速将其落地验证、探索应用于生成式推荐的能力
- 沟通协作能力：善于与团队成员，如算法工程师等有效沟通协作，共同探索新技术，推动生成式推荐技术进步。
岗位描述
团队介绍：推荐架构团队支撑字节跳动旗下多款APP产品，如抖音、今日头条、番茄小说、西瓜视频、剪映等推荐系统架构的设计和开发，保障系统的稳定和高可用，致力于抽象系统通用组件和服务，建设推荐中台、数据中台；关于在线服务，在这里你有机会参与大规模机器学习在线预估框架的研发与优化，也有机会参与模型训练与调度等相关问题的研究与突破，解决系统瓶颈，降低成本开销；如你对大数据感兴趣，在这里也有机会参与通用实时计算系统的开发、构建统一的推荐特征中台，为推荐业务实现先进的消重、计数、特征服务等；我们期待热爱技术的你加入，一起创造更多可能。
课题介绍：随着业务场景日趋复杂，推荐/广告/搜索面临严峻挑战。大模型虽能精准捕捉用户偏好、提升个性化效果及内容质量，但实时性、稳定性和可扩展性要求极高，在分布式训练、推理加速、异构硬件及多模态数据处理等方面存在诸多难点。同时，模型规模扩大与多模态数据涌现，使现有基础设施在数据处理效率与资源利用上难以满足需求。
本课题聚焦系统与工程创新，突破关键技术瓶颈，构建高效、稳定、可扩展的大模型解决方案，为搜广推场景提供坚实技术支撑。
课题挑战：
- 1、大模型原生训推架构重构；
- 2、极致性能优化与AI Infra创新；
- 3、端到端生成式范式创新；
- 4、多模态AU数据基础设施与质量优化；
- 5、多模态数据表征和 RAG 应用系统。
课题价值：为搜广推业务构建下一代生成式AI基础设施，通过大模型、多模态技术与系统协同创新，突破性能瓶颈，实现超长上下文、毫秒级响应和极致信息精度，驱动业务智能升级。
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。