字节跳动
校招广告模型算法工程师 - Commercial AI
北京/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、机器学习和模式识别相关专业优先
- 扎实的算法基础，熟悉PyTorch、TensorFlow等深度学习框架，具备模型训练/调优/部署经验
- 技术方向要求（满足至少一个领域）：
- 1）LLM方向：熟悉Transformer架构，具有Prompt-Engineering、模型微调、强化学习等实战经验
- 2）MLLM方向：具备多模态对齐、跨模态检索、图文联合生成等项目经验，熟悉CLIP、BLIP等经典模型
- 3）Agent方向：具有任务规划、记忆机制、工具调用、多智能体协作等相关项目经验
- 具备优秀的工程实现能力，熟练掌握Python/C++，有ACM、Kaggle等算法竞赛获奖经历者优先
- 业务场景匹配与科研经验要求：
- 1）有广告推荐、内容理解、营销自动化、商业化创意理解与生成等相关项目经验者优先
- 2）熟悉广告行业特性，对素材质量评估、用户画像构建等技术有实践经验者优先
- 3）丰富的多模态科研经验；在TPAMI、CVPR、NeurIPS、ICCV等期刊会议上发表论文者优先
- 强烈的技术热情与业务敏感度，具备跨团队协作能力和系统性解决问题思维。
岗位描述
团队介绍：Commercial AI隶属于国际化广告（国际化商业产品与技术），聚焦在商业化场景下的AI研发与创新，包括围绕广告场景，探索超长序列复杂模型、生成式推荐和 AI 广告素材生成等核心能力。简化产品流程，提升客户体验，并推动广告系统从素材生成到推荐建模的持续升级，助力广告效果提升和收入增长。
- 1、负责商业化客服与销售、AIGC文本、图片、视频创意等Agent的算法研发，基于大语言模型（LLM）、智能体（Agent）、全模态模型（Omni）技术，构建用户意图理解、路径规划、工具调用、多轮交互等能力；
- 2、深入探索商业化场景的Agent大模型应用，构建知识问答、投放效果诊断、AI创编、AI销售、AI创意等协助客户投放广告的能力；
- 3、跟踪Agent领域前沿技术（文本大模型、Agent、评测、强化学习等），结合业务需求进行算法创新与工程化落地。
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。