字节跳动广告大模型算法实习生-广告业务

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：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行“激发生意新可能”理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 1、探索并落地超大规模商业化大模型，在业务场景做深度适配和极致优化； 2、参与商业化大模型多体裁内容数据链路建设、指令微调、偏好对齐、模型优化全流程实践； 3、应用商业化大模型AI技术，优化算法建模方法、模型结构、特征和样本等，提升模型性能； 4、跟踪调研大模型以及相关方向的前沿技术； 5、深入研究和探索大模型在未来广告场景中的应用。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行“激发生意新可能”理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景 在广告营销领域，智能客服系统正成为优化售前用户沟通的关键工具，商家亟需高效工具来减少人工依赖、提升转化效率。背景核心在于：广告营销的售前场景涉及复杂用户交互（如产品咨询、促销引导和留资获取），当前基于 LLM 的智能客服 Agent 系统采用 “规划 + 生成” 的架构，需完成从用户进线、诉求澄清到方案执行的全流程服务。然而，随着广告市场的动态变化和个性化需求增长，传统方法面临响应相关性不足、转化率瓶颈等问题。团队正聚焦于利用 LLM 后训练技术（如微调和强化学习），结合 RAG、CoT 蒸馏等手段，构建一套高适配性的 Agent 系统，以实现智能化用户沟通 —— 帮助商家自动促成订单或获取高质量线索，最终提升广告营销的 ROI 和用户体验。这一方向不仅是业务增长的核心驱动力，也是推动大模型在广告领域落地的关键创新。 课题挑战 本课题面临多重技术与业务挑战，需要人才在 LLM-Agent 架构下突破瓶颈，确保智能客服在广告营销场景中的高可靠性、高效性和合规性。具体挑战包括： 1）对话流程控制：售前咨询需通过多轮交互引导用户留资或促成订单，亟需优化 Agent 的决策能力。这要求强化planning的识别能力和action选择的准确性，需要引入 SOP 构建、CoT蒸馏、react与反思机制等，实现上下文一致性与业务目标达成。另外也需要构建合理的reward指标，应用DPO/RL等手段进一步提升模型决策能力； 2）回复质量与幻觉：售前咨询的回复模型需要在少量标注数据下产出高质量的训练数据，应用大模型微调SFT、CoT蒸馏提升在各个行业上的话术质量和回复满意度。应用RAG、知识图谱等能力构建高质量知识库，在线时通过精确知识点匹配解决冷启动与幻觉问题，提升用户体验； 3）个性化问题：目前传统智能客服对于不同用户的接待基本都是相同的，售前客服需要考虑不同用户的兴趣点，通过引入用户特征、构建长期memory等手段，为用户构建定制化的接待方案，提高用户满意度并促成留资或者订单等业务指标提升； 4）实时性能瓶颈：系统需处理高并发请求，但大模型的推理延迟和资源消耗可能影响用户体验。这要求研究模型压缩、量化技术、推理模型的cot加速等方向以优化部署效率。 研究方向：大语言模型。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行“激发生意新可能”理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题背景 在广告营销领域，智能客服系统正成为优化售前用户沟通的关键工具，商家亟需高效工具来减少人工依赖、提升转化效率。背景核心在于：广告营销的售前场景涉及复杂用户交互（如产品咨询、促销引导和留资获取），当前基于 LLM 的智能客服 Agent 系统采用 “规划 + 生成” 的架构，需完成从用户进线、诉求澄清到方案执行的全流程服务。然而，随着广告市场的动态变化和个性化需求增长，传统方法面临响应相关性不足、转化率瓶颈等问题。团队正聚焦于利用 LLM 后训练技术（如微调和强化学习），结合 RAG、CoT 蒸馏等手段，构建一套高适配性的 Agent 系统，以实现智能化用户沟通 —— 帮助商家自动促成订单或获取高质量线索，最终提升广告营销的 ROI 和用户体验。这一方向不仅是业务增长的核心驱动力，也是推动大模型在广告领域落地的关键创新。 课题挑战 本课题面临多重技术与业务挑战，需要人才在 LLM-Agent 架构下突破瓶颈，确保智能客服在广告营销场景中的高可靠性、高效性和合规性。具体挑战包括： 1）对话流程控制：售前咨询需通过多轮交互引导用户留资或促成订单，亟需优化 Agent 的决策能力。这要求强化planning的识别能力和action选择的准确性，需要引入 SOP 构建、CoT蒸馏、react与反思机制等，实现上下文一致性与业务目标达成。另外也需要构建合理的reward指标，应用DPO/RL等手段进一步提升模型决策能力； 2）回复质量与幻觉：售前咨询的回复模型需要在少量标注数据下产出高质量的训练数据，应用大模型微调SFT、CoT蒸馏提升在各个行业上的话术质量和回复满意度。应用RAG、知识图谱等能力构建高质量知识库，在线时通过精确知识点匹配解决冷启动与幻觉问题，提升用户体验； 3）个性化问题：目前传统智能客服对于不同用户的接待基本都是相同的，售前客服需要考虑不同用户的兴趣点，通过引入用户特征、构建长期memory等手段，为用户构建定制化的接待方案，提高用户满意度并促成留资或者订单等业务指标提升； 4）实时性能瓶颈：系统需处理高并发请求，但大模型的推理延迟和资源消耗可能影响用户体验。这要求研究模型压缩、量化技术、推理模型的cot加速等方向以优化部署效率。 研究方向：大语言模型。

1、负责广告业务中大模型能力的研发与落地，包括广告商品识别、广告素材生成、智能创编、智能助手等核心场景； 2、提升自然语言理解的能力，比如意图识别，NL2SQL，向量召回，结构化/非结构化，短文本/长文本的表征学习等； 3、负责优化LLM生成式大模型的在场景下的微调，使其以更自然、精准、友好、可控的方式与用户沟通； 4、建设基于RAG框架的智能问答系统，优化文本、召回、相关性、问答生成、构建知识图谱、实体抽取等算法； 5、负责快手广告素材、广告商品等投放业务场景下的内容理解与内容优选算法工作，建设多模态大模型、生成式模型等前沿模型技术能力； 6、跟进业界前沿算法，探索NLP/LLM大模型等技术，并结合业务场景取得应用落地。