字节跳动大语言模型应用算法实习生（安全方向）-豆包大模型
任职要求
1、本科及以上学历在读，人工智能、计算机、自动化、数学相关专业优先； 2、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python，ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先； 3、熟悉NLP、CV相关的算法和技术，熟悉大模型训练、多模态算法者优先； 4、在大模型安全攻防、文本水印、真实性优化等方向有项目经验或论文成果者优先。
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：字节跳动豆包大模型团队（Seed）成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限，并探索新的交互。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。豆包大模型团队在 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、负责LLM、VLM通用大模型与垂类大模型的内容安全研发，提升模型识别风险、规避风险、处置风险的能力； 2、负责通过定性、定量方法评估策略表现，进行策略迭代更新，不断提升内容安全效果； 3、深度参与大模型、安全、算法等领域的调研，结合通用模型的新技术、新场景，如LongCoT、Agent、GUI，积极探索相应新技术、新场景上，安全方案的创新和落地。
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、参与大语言模型的评测工作，包括但不限于基础能力、FunctionCall、指令遵循、安全等能力维度的评估； 2、深度参与调研和实施将业内前沿、有价值的基准点引入豆包模型的评估体系中； 3、协助设计和执行评测方案，收集和分析评测数据，提供有价值的反馈和建议； 4、跟踪和研究行业内最新的大语言模型技术和评测方法，为团队提供前沿的知识和见解。
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、负责千亿级别海量数据的管理，包括数据的存储，数据处理，数据安全，数据校验等等； 2、负责数据链路基建的研发，追求极致的处理速度，达到百万QPS的处理能力； 3、大规模数据的分析以及可视化的建设，从数据中挖掘出影响模型训练结果的可能因素，从而帮助模型训练改进； 4、与算法同学深度合作，加速训练数据的获取，提升数据质量，支持模型结果数据评测，打造数据闭环； 5、支持数据分析和数据可视化工作，降低数据的获取门槛，提升数据的使用价值。
参与大语言模型的安全性研究，识别模型在实际应用中的潜在风险； 协助设计和实现针对提示攻击、生成内容合规性、对抗样本检测等方面的防御机制； 跟踪前沿大模型安全技术，包括但不限于红队测试、安全评估框架、隐私保护等； 搭建实验环境，进行系统性测试与评估，输出研究报告或技术文档； 与团队协作，支持产品级安全能力的落地与优化。
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：穿山甲是全球开发者成长平台，依托巨量引擎的技术和产品能力，为开发者提供用户增长、流量变现、LTV提升等全生命周期的服务和成长方案。目前，穿山甲覆盖活跃DAU超过8亿，日均广告请求量超过630亿，日均广告展示量超过110亿，帮助超过10万个app在平台内飞速成长，也为超过10.5万广告主提供了用户增长和投放解决方案。 1、参与广告反作弊大模型的全流程训练，具体包括： 1）预训练: 基于海量广告作弊相关数据，优化反作弊专业领域自适应预训练策略，让大模型具备广告反作弊领域相关的基础知识； 2）指令微调 : 构建反作弊场景的指令数据集，设计多任务微调框架，进一步提升大模型在广告反作弊的具体领域中的效果； 3）强化学习：开发对抗性模拟环境，定义奖励函数，优化RL训练流程，解决复杂的作弊场景所面临的攻防问题； 4）优化分布式训练框架，提升大模型集群训练效率，降低单位算力成本； 2、数据处理与特征工程：负责构建多类型的作弊样本库（如黑产群聊文本、虚假点击时序数据等）；同时设计数据自动化检测体系，包含通顺度、逻辑性等的检测，生成高质量的数据集； 3、反作弊大模型评估：建设全面的反作弊大模型评估系统，对不同方案出来的模型能及时、准确的评估效果，并选择最优的模型进行上线； 4、反作弊大模型部署：参与模型轻量化与推理加速，同时满足离线和实时调用的实效需求，追求成本和效率的平衡； 5、跨团队协同：与反作弊策略、技术、业务等各个团队合作，将反作弊大模型应用到各个场景中，实质性的提升业务效果。