快手大模型算法实习生-【质量智能】
任职要求
1、2026届、2027届硕士及以上学位在读，计算机、软件工程相关专业优先，提供转正机会； 2、具备优秀的算法能力，有TensorFlow/PyTorch等深度学习训练框架相关经验，熟悉DPO、PPO、RLHF相关算法技术； 3、掌握大语言模型、多模态大模型的算法原理、Fine-tuning、Prompt Engineering、向量数据库、RAG技术和LangChain等应用范式； 4、熟悉至少一种编程语言（如Python、Java、C++等），有大模型、机器学习、深度学习经验者优先； 5、有单测生成、代码领域问题解决经验者优先； 6、具备较好的沟通能力和学习能力，做事严谨，能够高效完成任务，热爱质量领域，算法领域。
工作职责
团队介绍：快手主站质量技术团队，聚焦质量领域，提供一系列的稳定的、有效的、技术领先的质量产品和工具。当前，我们在积极的探索质量基建与大模型的结合，构建更高效、更智能的质量领域AI能力，非常期望有更多的人才加入，在质量内建、测试效能、自动化测试等领域取得前沿的技术突破。 1、参与智能用例生成、代码评审、测试分析、缺陷定位、自动化建设等质量保障领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署； 2、探索LLM技术在测试领域中的落地应用，持续提升模型在知识检索、决策推理、图像理解以及跨语言的泛化生成效果； 3、参与质量保障流程智能化领域LLM/Agents的数据工程，构建数据飞轮； 4、持续优化质量领域数据集，并用于常态化的模型微调当中，提升模型输出的置信度和采纳率。
ByteIntern：面向2025届毕业生（2024年9月-2025年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动质量技术团队，聚焦质量领域，提供一系列的稳定的、有效的、技术领先的质量产品和工具，支撑电商、抖音、头条、飞书等业务。当前，我们在积极的探索质量基建与大模型的结合，构建更高效、更智能的质量技术，非常期望有更多的人才加入，在质量内建、测试效能、自动化测试等领域取得前沿的技术突破。 1、参与领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署； 2、探索LLM技术在质量领域中的落地应用，基于大量质量能力构建统一的智能化测试基建； 3、参与质量智能化领域LLM/Agents的数据工程，构建数据飞轮； 4、参与基于质量数据做模型微调（Fine-tune），确保模型精度和效率。
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：字节跳动开发者服务团队主要负责公司研发工具体系建设，为开发者提供全技术栈框架、工具和研发体系等基础设施。团队目前在服务端、移动端、Web、桌面端均有深入研究，致力于提供公司全产品线工程效能、可观察性以及各终端技术与框架的基础设施建设。团队还在探索前沿AI技术在工程生产力上的落地与应用，探索研发体系与领域模型的深度融合，实现开发者服务的升级与创新。期待对研发工具体系有兴趣、对技术有追求的同学加入，共同成长！ 1、参与开发者服务型产品建设和算法研究工作；实习内容涉及大模型相关的Prompt、微调、智能体、RAG等方向探索、智能运维、数据工程、AI评测等； 2、持续跟进LLM前沿技术，为团队提供前沿的知识和见解，支持模型效果的研发落地和持续优化。
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：字节跳动开发者服务团队主要负责公司研发工具体系建设，为开发者提供全技术栈框架、工具和研发体系等基础设施。团队目前在服务端、移动端、Web、桌面端均有深入研究，致力于提供公司全产品线工程效能、可观察性以及各终端技术与框架的基础设施建设。团队还在探索前沿AI技术在工程生产力上的落地与应用，探索研发体系与领域模型的深度融合，实现开发者服务的升级与创新。期待对研发工具体系有兴趣、对技术有追求的同学加入，共同成长！ 1、参与开发者服务型产品建设和算法研究工作；实习内容涉及大模型相关的Prompt、微调、智能体、RAG等方向探索、智能运维、数据工程、AI评测等； 2、持续跟进LLM前沿技术，为团队提供前沿的知识和见解，支持模型效果的研发落地和持续优化。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动质量技术团队，聚焦质量领域，提供一系列的稳定的、有效的、技术领先的质量产品和工具，支撑电商、抖音、头条、飞书等业务。当前，我们在积极的探索质量基建与大模型的结合，构建更高效、更智能的质量技术，非常期望有更多的人才加入，在质量内建、测试效能、自动化测试等领域取得前沿的技术突破。 1、参与单测生成、代码评审、缺陷修复等代码领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署； 2、探索LLM技术在代码生成领域中的落地应用，持续提升模型在知识检索、决策推理以及跨语言的泛化生成效果； 3、参与代码生成智能化领域LLM/Agents的数据工程，构建数据飞轮； 4、持续优化模型数据，并用于常态化的模型微调当中，持续提升模型代码生成的置信度和采纳率。