字节跳动算法实习生-商业产品与技术Ads Core
任职要求
1、2026届本科及以上学历在读，计算机等相关专业优先； 2、热爱计算机科学和互联网技术，对人工智能类产品有浓厚兴趣； 3、具备优秀的编码能力，熟悉Linux开发环境，熟悉C++和Python语言优先； 4、有扎实的数据结构和算法功底，熟悉机器学…
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：我们是字节跳动广告算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了字节跳动全系产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等核心场景的商业化技术的支撑。 1、利用机器学习技术，改进头条的推荐、广告系统，优化数亿用户的阅读体验； 2、分析基础数据，挖掘用户兴趣、文章价值，增强推荐、广告系统的预测能力； 3、分析用户商业意图，挖掘流量潜在商业价值，提升流量变现； 4、研究计算机视觉算法，给用户提供更多更酷炫的功能； 5、研发机器翻译与对话技术，促进跨语言内容理解与交流。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 自动化投放，是在客户给定的 营销诉求约束和素材商品资产下，平台通过感知投放状态信息（state）对投放6 要素做实时决策（action），和投放系统交互获得效果反馈（reward），来最大化客户投放效果。 过去自动化已经初步完成单Action model based 决策，在素材/出价/创编/探索预算等均有落地，但仍有以下问题：1）对历史序列建模 不够；2）仅对未来短期做决策，缺乏未来长周期action planning，不是长期最优； 3）多 action 之间缺乏组合，带来互相干扰和 label 收集不准等问题。 多客户投放竞价时，平台提供一套激励兼容且更高效的拍卖机制很重要，目前混排已经升级到 Generator-Evaluator 架构，但 G 阶段生成序列时还以暴力搜索和启发式规则为主，限制了搜索空间和效果上限，效率比较低。随着生成式模型发展，生成式对长序列建模和序列 planning生成 有显著优势，因此探索 将自动化投放和拍卖机制继续升级到生成式范式， 提升效果。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 自动化投放，是在客户给定的 营销诉求约束和素材商品资产下，平台通过感知投放状态信息（state）对投放6 要素做实时决策（action），和投放系统交互获得效果反馈（reward），来最大化客户投放效果。 过去自动化已经初步完成单Action model based 决策，在素材/出价/创编/探索预算等均有落地，但仍有以下问题：1）对历史序列建模 不够；2）仅对未来短期做决策，缺乏未来长周期action planning，不是长期最优； 3）多 action 之间缺乏组合，带来互相干扰和 label 收集不准等问题。 多客户投放竞价时，平台提供一套激励兼容且更高效的拍卖机制很重要，目前混排已经升级到 Generator-Evaluator 架构，但 G 阶段生成序列时还以暴力搜索和启发式规则为主，限制了搜索空间和效果上限，效率比较低。随着生成式模型发展，生成式对长序列建模和序列 planning生成 有显著优势，因此探索 将自动化投放和拍卖机制继续升级到生成式范式， 提升效果。
团队介绍：我们是支持抖音集团广告业务算法技术中台团队Ads Core，致力于研发全球领先的在线广告优化算法，营造健康、互惠的广告生态，持续提升用户和客户体验，引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究，涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍： 广告推荐算法是互联网商业变现的核心驱动力，我们希望借鉴生成式AI的成功思路，探索在广告推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证广告推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 3）语言/多模态模型和推荐模型的结合； 1、负责商业化场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升广告变现效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。
ByteIntern：面向2027届毕业生（2026年9月-2027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：广告核心团队在不同的广告投放阶段建立关键的变现机制 1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。 2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。 3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。 1、基于前沿技术，包括机器学习/深度学习、强化学习、LLM以及ScalingUp，在复杂的商业化场景中引领全球先进广告投放系统/模型的研发； 2、优化整个广告漏斗的效率，涵盖召回与粗排、精排（点击率/转化率）、素材生态、样式/创意个性化以及系统资源分配； 3、建立和完善系统框架与标准，提升效率&长期价值，同时满足不同垂直业务的多样化需求； 4、与全球市场的产品和业务团队合作，最大化影响力以及追求TikTok全球广告收入的持续提升。