字节跳动推荐模型算法实习生-Ads Core技术-筋斗云人才计划（北京/上海）
任职要求
1、2026届及之后毕业，博士在读，计算机/数学等相关专业的优先； 2、具有卓越的探索能力，优秀的代码能力，良好的数据结构和算法功底； 3、扎实的机器学习基础理论知识，在广告/推…
工作职责
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。
1、探索大模型与推荐算法结合的下一代推荐系统技术，充分利用大模型的领域知识和学习范式为推荐系统注入新的能量，包括但不限于文本/D生成式推荐、模型Scaling Law、用户超长序列端到端建模等; 2、探索视频、文本和语音等多模态信号的高效处理方式以及与推荐系统对齐的能力，让推荐系统看懂、听懂和理解世界; 3、混合专家、蒸馏剪枝等兼顾模型性能和效果的技术探索; 4、紧跟行业及大模型技术发展，结合业界前沿技术和业务求，打造大模型应用的最佳实践。
团队介绍：今日头条算法团队，致力于通过技术和算法，为用户提供个性化的新闻和信息推荐服务，直接对头条的用户体验负责。我们的业务涉及内容分发和消费、内容安全、内容生态、同城、热点、垂类等各个场景。在这里，你可以通过前沿推荐/NLP/CV算法的研究和改进，结合对产品、数据的深度理解分析，将算法实际应用到业务中去，服务数亿用户。 课题介绍：本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 1、负责深入探究文本（多模态）大模型蕴含的丰富世界知识，挖掘其在推荐领域的潜在应用价值。设计并实施创新方案，将大模型的知识体系与现有推荐架构有机融合； 2、专注于研究和解决ID化推荐模型与泛化内容理解信号的融合方式，平衡用户兴趣个性化与泛化性； 3、负责运用数据处理与分析技能，对海量繁杂的内容信号进行提取，构建智能过滤筛选体系；精准捕捉真正能够代表用户兴趣的关键内容信号。
团队介绍：负责影像业务剪映、醒图等创作工具的增长、内容分发和商业化的算法，以及数据科学相关工作，致力于激发用户创作灵感、优化创作效率和提高所创作内容的价值，并完成增长与商业化变现。 课题介绍：本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 1、研究推荐大模型高效的Scale Up方案与优雅的工程实现； 2、研究用户侧创作素材的多模态理解并应用于创作元素的推荐；研究用户侧序列的大规模建模，探索大规模用户序列建模代替召回与粗排等分裂环节； 3、研究创作元素的内容理解，探索稠密多模态与稀疏协同过滤模型的融合方案。