字节跳动多模态生物基础大模型实习生-Seed
任职要求
1、硕士及以上学位在读，计算机、人工智能等相关专业优先； 2、对AI辅助药物设计充满热情； 3、主要面向两方面背景的候选人，一个是偏人工智能方面，期望候选人有扎实的编程基础，在机器学习领域有经验者优先，相关的背景包括但不限制于：自然语言处理，3D计算机视觉，计算几何和计算拓扑，图表示学习和深度生成模型等；另外一方面是有相关化学或者生物背景的候选人，对AI辅助药物设计有相关经验者优先； 4、有很强的学习能力和英文阅读能力，能追踪最新的技术进展； 5、有较好的团队协作能力和沟通能力。
工作职责
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。团队研究方向涵盖LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代AI交互等、在中国、新加坡、美国等地设有实验室和岗位。 Seed团队在AI领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的AI研究团队，为科技和社会发展作出贡献。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、扣子、即梦等超过50个应用场景。 1、开发蛋白质基础大模型，并用于蛋白质序列和结构的设计，比如抗体设计； 2、开发蛋白质构象生成算法和模型； 3、开发端到端的冷冻电镜蛋白质动态结构重构算法和模型； 4、调研已有工作，制定研究方案，完成算法研发，模型训练，实验和论文写作等。
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。团队研究方向涵盖LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代AI交互等、在中国、新加坡、美国等地设有实验室和岗位。 Seed团队在AI领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的AI研究团队，为科技和社会发展作出贡献。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、扣子、即梦等超过50个应用场景。 1、开发蛋白质基础大模型，并用于蛋白质序列和结构的设计，比如抗体设计； 2、开发蛋白质构象生成算法和模型； 3、开发端到端的冷冻电镜蛋白质动态结构重构算法和模型； 4、调研已有工作，制定研究方案，完成算法研发，模型训练，实验和论文写作等。
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。团队研究方向涵盖LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代AI交互等、在中国、新加坡、美国等地设有实验室和岗位。 Seed团队在AI领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的AI研究团队，为科技和社会发展作出贡献。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、扣子、即梦等超过50个应用场景。 1、跟踪业界前沿研究进展，和团队一起建立深入广泛的领域技术认知； 2、综合机器学习、量子化学、分子动力学等多个领域的方法，探索生物、材料领域前沿应用； 3、整合业界及团队研究成果，推动研究成果实际落地应用，产生广泛的影响力。
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。团队研究方向涵盖LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代AI交互等、在中国、新加坡、美国等地设有实验室和岗位。 Seed团队在AI领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的AI研究团队，为科技和社会发展作出贡献。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、扣子、即梦等超过50个应用场景。 1、使用混合精度、算子融合、分布式计算等手段，加速AI4S模型的训练和推理； 2、与算法团队深入合作，使用AI模型解决材料与生物领域复杂科学问题； 3、跟踪业界的最新进展，与团队共同建立广泛深入的专业认知。
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：科学计算团队成员来自于机器学习、分子动力学模拟、量子化学、计算材料、高性能计算等领域，我们结合深度学习、计算化学、高通量计算等手段，探索解决生物、物理、材料等自然科学领域的挑战性难题，也在实际应用中证明价值。 我们重点关注生物、材料领域，解决其中的挑战性难题： - 探索前沿的分子动力学模拟、增强采样、自由能和其他性质计算方法，并规模化应用在药物和材料发现中； - 覆盖多样的生物、材料体系的经验力场和机器学习力场，结合实验数据和大量高精度量子化学数据，解决复杂体系的精确模拟和性质预测问题； - 构建生物场景蛋白、核酸、有机小分子等体系的通用模型，解决结构预测、构象生成、性质预测、分子生成等问题； - 结合大语言模型和多模态能力，解决生物、材料领域的实际挑战； - 开发高效的DFT计算框架，解决复杂体系的量化计算问题。 课题介绍：随着计算能力的指数级增长，分子动力学、量子化学、深度学习和大语言模型的融合加速，推动了科学研究范式的突破。分子动力学结合量子化学与机器学习，在药物与材料领域展现出强大潜力；蛋白质语言模型利用大规模序列与结构数据，提升蛋白质建模、功能预测、构象预测及生成式设计的效率与准确性。同时，深度学习通过架构、数据和适用体系的扩展（Scaling），在复合物结构预测、蛋白与药物设计等问题上发挥越来越重要的作用，帮助解决过去难以克服的复杂科学挑战。此外，量子化学结合深度学习、量子嵌入与量子计算，实现多电子系统的精确建模，推动新一代物理化学技术的发展。这些创新不仅带来了理论突破，也在药物与材料研发等实际应用中展现出巨大价值。 结构是理解生命过程与实现药物理性设计的关键基础。我们致力于构建以结构为中心的多模态生物分子基础模型，采用统一架构支撑复合物结构预测、功能建模与分子设计等关键任务。依托紧密的团队协作，我们融合机器学习、结构生物学、计算化学与CADD等多学科方法，结合强大的计算资源与工程化能力，构建高精度、具备泛化能力的生物分子基础模型，推动领域实现突破性进展。 1、加入背景多元的研究团队，和机器学习、计算化学、计算生物等领域的团队成员密切配合，通过团队合作来追求重量级成果； 2、参与构建和优化覆盖全生物分子类型的复合物结构预测模型，共同定义和开发下一代复合物结构预测模型； 3、跟踪研究领域的最新进展，与团队共同建立广泛深入的专业认知； 4、通过广泛合作验证和推广计算工具，创造学术与社会价值。