字节跳动
校招大语言模型算法工程师（交互智能方向）-Seed大模型人才校招
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 我们寻找对AGI有原生热情、工程基础扎实且具备顶级技术能力的实战派伙伴。
- 2027届获得本科及以上学历，计算机、数学、统计等相关专业
- 对Human-AI Interaction的前沿趋势有深刻洞察，具有好奇心与快速学习能力；拥有扎实的数学功底和机器学习理论基础
- 卓越的工程落地能力，代码功底扎实，具备系统级思考与架构级问题解决能力
- 坦诚清晰的沟通表达，能高效推进跨团队、跨职能的技术协作。
- 加分项（Preferred）：
- 具备超大规模LLM的训练、RL的硬核实战经验
- 在Interactive RL，Multi-Agent Systems，或模型对齐（Alignment）领域有深入研究（在NeurIPS，ICLR，ACL，CHI等顶会有相关一作论文者优先）
- 在博弈论（Game Theory）或机制设计（Mechanism Design）领域有系统性的学术积累
- 有交互智能或生成式智能体（Generative Agents）方向的成功落地项目经历。
岗位描述
Seed 大模型人才校招，是字节跳动 Seed 面向高校人才推出的招聘项目。我们始终相信，真正重要的技术进步来自对高难度问题的持续挑战。面对 AI 时代的巨大机遇，Seed 团队并不止步于模型迭代，而是选择进入技术深水区，推进下一代 AI 范式突破，不断探索智能的边界与上限。
团队介绍：字节跳动 Seed 团队成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。
Seed 团队在 AI 领域拥有长期愿景与决心，团队研究方向涵盖 MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE 等超过 50 个应用场景，并通过火山引擎开放给企业客户。第三方数据显示，豆包 App 用户量在中国市场排名第一，豆包大模型日均 Token 调用量行业领先。
加入我们，你将参与重塑 Human-AI 交互的终极形态，致力于构建具备长程记忆、复杂逻辑推理并能持续进化的交互对话智能系统 (Interactive Intelligence)。你将直接面对 AGI 时代的前沿硬核挑战，推动核心技术在情感陪伴、个性化教育、高阶私人助理及开放世界生成式智能体等颠覆性场景的落地。
核心职责：
- 1、攻克高维交互架构：突破传统线性问答，研发支持多线程、非线性交互的底层算法架构，并在复杂推理下实现极低延迟的人类级自然响应；
- 2、探索交互式强化学习（Interactive RL）：解决以人类为环境设定下的关键难题（如模型扮演人类时的User Hacking），并对长程对话的中间状态进行过程建模（Process Modeling）；
- 3、提升深度指令遵循（Deep Instruction Following）：确保大模型在开放域对话中严格恪守复杂人设与剧本，并能在强约束条件下进行高逻辑性的即兴创造；
- 4、构建评估与持续学习体系：研发模型在真实交互中的持续进化范式；建立科学指标，攻克“共情能力”、“说服力”等高维主观特质难以自动化评估的行业痛点。
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。