字节跳动大模型算法实习生（搜索大模型）-TikTok搜索
任职要求
1、硕士及以上学位在读，计算机、人工智能、自动化、数学或相关专业； 2、扎实掌握常见机器学习相关技术和算法，熟悉至少一种深度学习框架（如PyTorch、TensorFlow等）； 3、具有AIGC相关的算法经验和业务落地经验优先； 4、优秀的代码能力、数据结构和基础算法功底，熟练掌握至少一门编程语言，包括但不限于Python、C/C++、Java、Go等； 5、具备优秀的分析及解决问题能力、逻辑思维能力和沟通协作能力，保持对新事物的好奇心，责任心强，诚信可靠。
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：TikTok搜索团队致力于为用户提供精准高效的搜索工具，创造良好的搜索体验，提升信息流动的效率，同时高价值的搜索流量也能带来商业化价值，为TikTok生态内的其他业务提供高效的入口，支持内容生态的发展，提升中尾部视频的消费力量。 你可以有机会参与核心业务功能的开发工作，接触到第一线的用户，我们期待你的加入！ 1、参与TikTok业务中的基础算法相关工作，在搜索等业务运用算法能力解决业务核心问题； 2、参与LLM大语言模型的应用研究，用大模型提升搜索业务的效果和开发效率； 3、参与知识数据构建，为搜索产品提供优质的数据。
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：TikTok搜索团队致力于为用户提供精准高效的搜索工具，创造良好的搜索体验，提升信息流动的效率，同时高价值的搜索流量也能带来商业化价值，为TikTok生态内的其他业务提供高效的入口，支持内容生态的发展，提升中尾部视频的消费力量。 1、参与TikTok业务中的基础算法相关工作，在搜索等业务运用算法能力解决业务核心问题； 2、参与LLM大语言模型的应用研究，用大模型提升搜索业务的效果和开发效率； 3、参与知识数据构建，为搜索产品提供优质的数据。
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：TikTok搜索团队致力于为用户提供精准高效的搜索工具，创造良好的搜索体验，提升信息流动的效率，同时高价值的搜索流量也能带来商业化价值，为TikTok生态内的其他业务提供高效的入口，支持内容生态的发展，提升中尾部视频的消费力量。 你可以有机会参与核心业务功能的开发工作，接触到第一线的用户，我们期待你的加入！ 1、参与TikTok业务中的基础算法相关工作，在搜索等业务运用算法能力解决业务核心问题； 2、参与LLM大语言模型的应用研究，用大模型提升搜索业务的效果和开发效率； 3、参与知识数据构建，为搜索产品提供优质的数据。
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：TikTok内容生态算法团队立足于平台海量用户和短视频内容，利用多模态、LLM/MLLM、NLP&CV等技术，负责对各类内容做分析、加工、生成等内容层操作，内容形态包括但不限于短视频、图文、全网热点页面、客服对话等，产出内容理解特征、大模型生成中间页、全网热点发现&理解能力以及智能客服系统。 同时在TikTok供给侧提供面向全平台的创作灵感个性化推荐能力。 在这里，有上百个语种，NLP/LLM等技术面临多语种挑战。 在这里，有海量短视频内容，MLLM及多模态技术有更多应用场景。 平台用户量大，各项业务如本地生活、搜索等都处于高速发展期，有大量实际落地和应用场景。 1、负责TikTok的内容生态业务推荐算法工作，和产品、运营等团队紧密合作，深度理解TikTok推荐业务发展，共同制定长短期的业务目标； 2、深入参与到机器学习技术研究中，在解决具体问题的同时形成完整系统的工作方法，持续提升用户体验； 3、研究方向包含且不局限于：深度学习、图神经网络、多任务学习、排序学习、模型压缩和加速、多模态技术等，善于结合业务的实际问题来做好技术的探索和研究； 4、组织推进组内以及跨部门合作项目，帮助团队的进步和新人成长。
团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： TikTok作为全球领先的短视频平台，面临新用户数据稀疏导致的个性化推荐不足、直播推荐时效性要求高、用户兴趣多样性维护困难以及电商推荐系统链路复杂等多重挑战。传统推荐方法依赖历史行为建模，难以解决新用户冷启动问题，且直播推荐需在极短窗口期内（通常30分钟内）实时捕捉内容动态变化（如主播互动、流量波动），这对系统的实时感知与快速决策能力提出更高要求。此外，单列沉浸式场景放大了多样性问题，需平衡多峰兴趣学习与探索引发的内容穿越风险。当前电商推荐系统采用多阶段漏斗架构（召回-排序-混排），存在链路不一致、维护成本高、过度依赖短期价值预测等问题，导致用户易陷入内容同质化疲劳。 针对上述痛点，项目提出结合大语言模型（LLM）和大模型技术实现突破：一方面利用LLM的海量知识储备与Few-shot推理能力，通过注册信息与外部知识推理新用户潜在意图，缓解冷启动问题；另一方面，在社交偏好建模中融合GNN与用户全生命周期行为序列，提升兴趣预测精准度。同时，探索大模型的泛化能力、长上下文感知及端到端建模优势，简化电商推荐链路，增强实时动态适应性与兴趣探索能力，最终实现系统更简洁、推荐更精准、用户体验与留存双提升的目标，推动业务可持续增长。 1、负责TikTok业务推荐算法工作，与来自国内外顶级名校、有丰富业界经验的同学合作，共同搭建行业顶尖的推荐系统，为用户提供一流的产品体验； 2、将最前沿的机器学习技术应用到TikTok业务，包括混排/排序/多目标/召回/冷启动/探索/多样性/内容理解等等场景，不断优化用户体验，促进业务发展； 3、研究方向包含且不局限于：深度学习、图神经网络、多任务学习、排序学习、模型压缩和加速、多模态技术等，结合业务的实际问题来做好技术的探索和研究； 4、和产品、运营团队紧密合作，通过对产品和用户的深入理解和分析，制定算法策略促进短视频生态的长期繁荣发展。