字节跳动多模态大模型算法实习生-Data AML
任职要求
1、2025届硕士及以上学历在读，人工智能、计算机、自动化、数学相关专业优先； 2、扎实的数据结构和算法设计基础，熟练掌握Python/C++中的一种或多种，熟练掌握pytorch、tensorflow等深度学习框架； 3、有预训练基础技术，包括高效训练和封装部署服务化，NLP、CV、视频…
工作职责
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：Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 1、参与研发前沿算法，发表国际顶级论文、申请专利； 2、深入调研和关注多模态/NLP/CV等方向的前沿技术，应用解决业界实际问题的机会以及经验； 3、良好的团队氛围，丰富的计算和数据资源。
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：Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 1、为全球企业级客户提供高效的算法服务，包括但不限于传统搜推广、大模型技术与搜推结合以及大模型应用产品； 2、理解不同行业的客户场景和需求，落地相应的算法解决方案，包括但不限于电商/内容推荐、基于大模型技术的搜索方案以及知识库问答等LLM上层应用； 3、探索大模型相关方向的前沿技术，推进相关技术在业务场景的落地，包括但不限于长序列建模/多模态/RAG/智能体； 4、与产品研发团队协作建设平台产品，在多云环境下为全球范围内的客户提供算法解决方案，包括但不限于智能推荐平台和大模型搜推平台。
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：Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 1、构建下一代“大模型即服务”平台，支撑数百个基于LLM的业务应用； 2、设计和实现多模态Agent，推动AI Agent在架构和性能上的持续优化； 3、提升Agent对用户的理解能力和响应的准确性； 4、跟踪并研究行业前沿AI算法，持续提升AI Agent的技术水平； 5、与算法、系统和基础架构团队紧密合作，提升平台稳定性和使用效率。
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：Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 1、构建下一代“大模型即服务”平台，支撑数百个基于LLM的业务应用； 2、设计和实现多模态Agent，推动AI Agent在架构和性能上的持续优化； 3、提升Agent对用户的理解能力和响应的准确性； 4、跟踪并研究行业前沿AI算法，持续提升AI Agent的技术水平； 5、与算法、系统和基础架构团队紧密合作，提升平台稳定性和使用效率。
团队介绍：Data AML是字节跳动公司的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。此外，AML还在AI for Science，科学计算等领域做一些前沿研究。 课题介绍：大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，模态信息在推荐系统中的作用也越来越大。 字节实践中发现模态信息能够很好的作为泛化特征支持推荐等业务场景，端到端的超大规模多模态推荐系统的研究具有非常大的想象空间。 期望在算法和工程CoDesign基础上，对多模态Cotrain、7B/13B大规模参数模型、更长序列端到端等方向进一步进行探索。 工程上研究方向包括多模态样本的表征、基于 pytorch 框架的高性能多模态推理引擎、高性能多模态训练框架的构建、异构硬件在多模态推荐系统上的应用；算法上的研究方向包括设计合理的推荐广告和多模态Cotrain结构、Sparse MOE、Memory Network、混合精度等。 1、负责机器学习系统架构的设计开发，以及系统性能调优； 2、负责解决系统高并发、高可靠性、高可扩展性等技术难关； 3、覆盖机器学习系统多个子方向领域的工作，包括：资源调度、任务编排、模型训练、模型推理、模型管理、数据集管理、工作流编排、ML for System等； 4、负责机器学习系统前瞻技术的调研和引入，比如：最新硬件架构、异构计算系统、GPU优化技术的引入落地； 5、研究基于机器学习方法，实现对集群/服务资源使用情况的分析和优化。