字节跳动
实习个性化大模型算法实习生-Seed大模型人才实习
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2028届及以后本科及以上学历在读，人工智能、计算机、自动化、数学相关专业优先
- 优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，在ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先
- 具备大模型训练或推荐算法相关经验者优先
- 在虚拟角色生成、多模态交互、人格化建模等相关方向有项目经验或论文成果者优先
- 具备出色的分析、定位和解决大模型训练与应用中复杂技术难题的能力
- 良好的团队协作与沟通能力，能够积极协同团队探索前沿技术，共同推动技术进步。
岗位描述
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。
- 1、用户信号建模与个性化回复：研发角色化大模型对用户信号的深度建模与应用方法，提升模型针对不同用户的回复连贯性与个性化水平，优化交互体验；
- 2、模型效果优化与创新：在指令微调、偏好对齐、数据增强等关键技术领域进行场景化创新，突破技术瓶颈，提升模型效果；
- 3、大模型Agent记忆系统的构建：研发面向大模型Agent的长期记忆与上下文管理系统，让模型具备持久感知用户喜好与需求的能力，输出高度定制化的解决方案，实现从“工具”到“懂你的伙伴”的质变；
- 4、业务场景落地与应用拓展：支持豆包、猫箱等产品的角色生成需求，覆盖对话、创作、教育等核心场景；探索角色模型在智能硬件、元宇宙等领域的沉浸式交互潜力，推动技术成果在业务中高效落地；
- 5、前沿技术探索与范式定义：研究人格化模型在情感计算、社会常识推理等方向的关键突破，定义AI角色从“功能执行”向“人格化陪伴”跃迁的技术范式。
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。