字节跳动大语言模型算法开发工程师/专家（教育应用方向）-豆包大模型
任职要求
1、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python； 2、熟悉NLP相关的算法和技术，在相关领域有过良好研究记录者优先，熟悉大模型预训练、SFT与RL算法者优先； …
工作职责
团队介绍：字节跳动豆包大模型团队成立于 2023 年，致力于开发业界最先进的 AI 大模型技术，成为世界一流的研究团队，为科技和社会发展作出贡献。 豆包大模型团队在AI领域拥有长期愿景与决心，研究方向涵盖NLP、CV、语音等，在中国、新加坡、美国等地设有实验室和研究岗位。团队依托平台充足的数据、计算等资源，在相关领域持续投入，已推出自研通用大模型，提供多模态能力，下游支持豆包、扣子、即梦等50+业务，并通过火山引擎开放给企业客户。目前，豆包APP已成为中国市场用户量最大的AIGC应用。 1、擅长发现优化大模型的简单、普适的想法，并应用到各个规模的模型中提升效果； 2、探索多轮对话场景下复杂指令遵循与模型在长文本下的推理能力； 3、推进数据建设、指令微调、偏好对齐、模型优化方面的工作，提高模型质量和适应性； 4、推进教育领域大模型效果评估，尤其是复杂场景（多轮对话、多模态）评估集建设和自动化评估能力建设； 5、基于教育领域应用优化模型效果，包括AI导师、解题、讲题、批改等场景； 6、深入研究和探索大模型在教育领域中的更多使用场景，拓展模型的应用范围。
我们正在寻找一位对数据充满热情、具备出色分析能力的财资BI分析师。该职位将深入了解 BU 业务模式，研究核心BU庞大的财资业务数据（包括但不限于现金流、银行账户、外汇、融资、支付结算、风险敞口等），通过先进的数据分析和可视化技术，提炼有价值的业务洞察 (Insights)。该职位将负责设计、开发和维护关键的财资管理报表和仪表盘，主动识别潜在风险、发现运营效率提升的机会点，并为财资战略决策提供强有力的数据支持，助力业务集团财资管理水平的持续优化和价值创造。 主要职责: 1. 数据治理与整合: ● 负责财资管理领域数据质量监控、标准制定及清洗整合，确保数据准确性与一致性。 ● 构建财资数据库，支持本领域同学高效获取结构化数据。 2. 报表开发与可视化: ● 使用BI或DI工具设计、开发和上线可视化报表与驾驶舱，涵盖全球现金头寸、资金预测偏差分析、风险敞口监控（汇率、利率等）、银行费用分析、营运资本指标、关键绩效指标（KPIs）等，满足管理层及财资端需求。 ● 定期输出财资管理报告、风险预警报告等关键文档。 3. 数据分析洞察与风险预警: ● 对现金流模式进行深入分析，识别季节性、趋势性特征，评估预测准确性，挖掘偏差原因，提出预测改进建议。 ● 分析全球资金分布和使用效率，识别闲置资金，评估资金池效益，为优化账户结构和资金归集策略提供数据支持。 ● 量化和监控汇率、利率等市场风险敞口，评估对冲策略的有效性，识别潜在风险点。 ● 分析银行手续费、账户管理费等银行费用，识别成本节约机会。 ● 监控支付结算数据，识别异常交易模式，提示潜在的操作风险或欺诈风险。 ● 基于数据分析结果，建立或优化风险预警指标和机制，提前识别潜在的流动性风险、市场风险或操作风险信号。 ● 通过数据挖掘，主动发现可提升财资运营效率、降低成本、改善营运资本或优化融资结构的机会点。 ● 探索大语言模型（LLM）在财资管理数据分析中的创新应用。 4. 支持与协作: ● 与财资团队内部成员（现金管理、市场风险管理、财资运营等）、财务会计、产品技术、业务部门等紧密协作，理解业务需求，提供数据支持。 ● 协助进行财资相关的特定项目分析和情景模拟（Scenario Analysis）。 ● 参与财资管理系统或BI或DI工具的优化与升级项目。 ● 支持财资管理场景的AI Agent工具运用，实现数据查询、报告生成等流程自动化。
1、研发面向云计算底座海量数据的大模型，包括但不限于代码大模型、全模态、大规模图学习等领域相关的大模型的应用算法研发； 2、参与大模型应用研发全流程的工作，包括但不限于模型算法设计、代码开发、训练、部署优化、调试、评测；技术创新如专利、论文的撰写；外部技术影响力交流等； 3、推动大模型在DevOps提效、内外部智能体业务应用、爆款AI原生应用、安全和技术风险防控等场景的业务落地；
1. 研发高性能推理算法： 设计并实现自注意力机制优化、并行推理、负载均衡、弹性容量等无损推理服务优化算法，提升服务效率与稳定性； 2. 探索轻量化推理技术： 深入研究和应用有损推理加速算法，包括但不限于知识蒸馏、模型量化、网络剪枝、KV-Cache压缩等，实现模型的高效部署； 3. 聚焦软硬件一体优化策略： 从计算图优化、算子融合、计算通信重叠、专家并行、vGPU虚拟化等多个维度入手，显著提升端到端推理性能。
1，算法开发与优化： 负责自动驾驶模型算法的研发设计，包括但不限于行为决策、轨迹生成、运动规划等模块的深度学习/强化学习模型设计 探索基于Transformer、模仿学习（Imitation Learning）、强化学习（RL）等前沿技术的模型算法设计、应用方案 优化自动驾驶算法的实时性、安全性和舒适性，解决复杂场景（如拥堵、交互博弈、长尾问题）下的规划挑战 2，数据驱动迭代： 构建和利用大规模驾驶数据集（仿真+真实数据），设计数据闭环 pipeline 提升规划性能 参与数据标注、场景挖掘、仿真测试等环节，推动算法迭代 3，系统集成与部署： 与感知、控制等模块团队协作，实现模型算法在车载计算平台的部署 支持实车测试，分析问题并提出改进方案。 4，前沿技术跟踪： 跟进学术界（如CVPR、ICRA、CoRL）和工业界最新进展，将创新技术落地到量产或研发项目中