字节跳动多模态算法实习生-智能创作
任职要求
1、2026届硕士及以上学位在读，计算机、软件工程等相关专业优先； 2、扎实的数学和算法基础：识别、检索、多模态预训练、概率统计、数值优化等相关算法； 3、具有文本理解、文本缩略、文本改写、机器学习、图像分类和识别、图像视频理解、图像分割、目标检测、OCR、视觉创作、3D、多模态、计算机视觉、NLP、生成、AIGC等一个或多个方向研究与落地经验者优先； 4、较强的问题分析与学习能力，能快速跟进前沿技术, 并应用于…
工作职责
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：智能创作团队是字节跳动创作场景业务中台，负责了抖音、剪映等产品的技术和业务研发，涵盖了计算机视觉、深度学习、高性能计算、图形学、特效引擎等技术领域，并以多种形式向公司内部各业务线提供业界前沿的内容理解、内容创作、互动体验与消费的能力和行业解决方案，同时通过火山引擎为企业客户提供服务。 1、负责计算机视觉和深度学习基本算法的开发与性能提升，从事图像算法研发和落地的相关工作； 2、将计算机视觉和人工智能技术应用到字节跳动旗下各产品线，并解决业务实际问题； 3、深入研究和探索多模态算法、迭代、落地应用，包括但不限于图像/视频的生成创作、图表理解/生成、逻辑推理等领域； 4、提出和实现前沿的算法，保持算法在工业界和学术界的领先。
目前主流的素材混剪能力主要依赖于素材的端内容理解、表征匹配、高光检测等能力帮助一键完成整个视频剪辑过程，偏模板化，且预定义较为死板，无法支持更丰富的信息量注入，以及用户自主输入剪辑要求。 本课题希望通过大语言模型的语义指令解析能力，开放基于可自定义prompt的视频编辑能力，通过指令分解、协同主题文案生成的方式，帮助完成带有故事感文案生成能力的视频剪辑功能。主要的技术难点包括： 1、多模态理解与表征：需要模型能够深入理解不同模态内容(视频片段、图像、音频)的语义和上下文； 2、时序理解与编辑：视频混剪需要理解时序信息，包括情节发展、节奏感、转场点等； 3、文案生成和改写：可自定义主题、风格的素材文案生成能力。
1. 负责小红书站内搜索广告智能创意，在搜索场景下对小红书站内广告文案、视频、图片等素材进行内容理解，并生成投放高竞争力素材，提高转换效率。 2. 负责广告创作平台的算法能力优化，利用算法能力为广告主提供投前、投中、投后各类洞察或者提效功能。 3. 追踪业界创意、多模态及Generative AI方向最新技术，落地应用并提升广告创意理解、自动生成和优化等场景的效果。
1、基于快手自研的文生视频（可灵）、文生图（可图）、文生文（快意）等大语言模型和多模态模型，研发包含多媒体素材AIGC自动化创作系统与工具平台和 Chatbot、VideoCaption、VQA 等各类形态的工业级 AI Agent 系统，并应用于快手生态的内容生产与消费、内容理解与素材挖掘等各类业务场景； 2、参与研发AIGC、AI Agent等系统所依赖的关键子系统，并于算法团队合作持续迭代AIGC的内容质量与效果、AI Agent的智能化效果； 3、跟踪业界AIGC、AI Agent等内容成产、智能体的前沿进展，并将最新的大模型技术能力引入到实际业务场景中。
1、基于快手自研的文生视频、文生图、文生文等大语言模型和多模态模型，研发包含多媒体素材AIGC自动化创作系统与工具平台和 Chatbot、VideoCaption、VQA 等各类形态的工业级 AI Agent 系统，并应用于快手生态的内容生产与消费、内容理解与素材挖掘等各类业务场景； 2、参与研发AIGC、AI Agent等系统所依赖的关键子系统，并与算法团队合作持续迭代AIGC的内容质量与效果、AI Agent的智能化效果； 3、跟踪业界AIGC、AI Agent等内容成产、智能体的前沿进展，并将最新的大模型技术能力引入到实际业务场景中。