字节跳动
校招高性能计算架构工程师 - AI for Science
北京/上海/深圳 · 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、软件工程、人工智能或相关专业优先
- 具备扎实的软件工程能力，能够参与较大规模代码库的开发、测试、文档建设和长期维护
- 熟悉PyTorch，具有深度学习模型训练或推理相关项目经验；参与过PyTorch、Megatron-LM、DeepSpeed、vLLM或类似训练、推理框架的开发或深度使用；具有分布式训练、模型训练框架、推理框架或AI Infra相关实践经验；具有多机多卡训练、通信优化、并行策略设计或分布式系统开发经验
- 具备较强的问题分析、调试和工程落地能力，能够定位并解决复杂系统中的性能、稳定性或可扩展性问题
- 对AI4S、高性能计算和科学计算方向有兴趣，愿意持续学习相关领域知识；具有机器学习力场、分子动力学、OpenMM、LAMMPS等AI4S或科学计算项目经验；对LLM for Science、科学智能基础设施等方向有实践或深入思考；具有CUDA、Triton、MPI、NCCL或其他高性能计算相关实践经验；具有C++、计算引擎、数值计算库或高性能计算代码库开发经验
- 参与过开源项目，具备代码贡献、模块维护或社区协作经验。
岗位描述
团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！
- 1、参与AI4S高性能计算框架与代码库的设计、开发和维护，设计实现训练、推理、数据处理、模型执行等基础模块，持续完善代码库的模块化、可测试性和可维护性，并与算法、科学计算及业务团队协作，将研究原型沉淀为可复用的工程框架和平台能力；
- 2、参与机器学习力场模型训练与推理框架及LLM for Science等方向的模型基础设施建设，提升模型在单机、多卡及分布式环境下的运行效率和工程可用性，解决模型规模扩展、计算效率、稳定性及资源利用率等工程问题；
- 3、参与分子动力学计算引擎的优化与改造，包括计算模块开发、接口设计、并行计算支持及与机器学习模型的集成。
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。