字节跳动高性能与智能体研发工程师-TikTok AI创新中心
任职要求
1、2026届获得硕士及以上学位，计算机科学或相关领域专业优先； 2、出色的编码能力、数据结构和基本算法技能，精通Python或Golang，ACM/ICPC、NOI/IOI、Top Coder、Kaggle等竞赛获奖者优先； 3、在机器学习（ML）、计算机视觉（CV）、自然语言处理（NLP）等领域发布过论文者优先（NeurIPS、ICML、ICLR、CVPR、ACL、OSDI、NSDI、SC和SigMOD等）； 4、具备良好的沟通和团队协作能力，有强化学习和大语言模型智能体研究者经验优先； 5、了解主流LLM模型，熟悉TensorRT-LLM、ORCA、VLLM并有LLM模型训推加速经验者优先。
工作职责
团队介绍：TikTok是一个覆盖150个国家和地区的国际短视频平台，我们希望通过TikTok发现真实、有趣的瞬间，让生活更美好。TikTok 在全球各地设有办公室，全球总部位于洛杉矶和新加坡，办公地点还包括纽约、伦敦、都柏林、巴黎、柏林、迪拜、雅加达、首尔和东京等多个城市。 TikTok AI创新中心，是致力于AI基础设施建设和创新研究的部门，探索行业领先的人工智能技术，致力于突破多模态大模型与代码大模型的技术边界。我们正在构建下一代AI系统，这些系统能够无缝理解与整合多语言文本、海量视频内容及复杂代码结构，打造真正跨模态的统一智能架构。我们的研究不仅关注模型的理解能力，更探索其在复杂推理任务中的应用潜力，将代码作为连接各类智能任务的通用语言。团队旨在通过创新算法设计，为用户提供前所未有的内容体验与创作辅助，同时显著提升开发效率与系统性能。 1、探究大语言模型智能体方法，探讨如何构建性能更优、成本更低、稳定性更强的智能体； 2、探索前沿大语言模型智能体的应用，如多模态视频智能体、SWE（软件工程）智能体等； 3、团队方向包括： 1）探索与大语言模型智能体平台相关的前沿技术，涵盖领域包括强化学习、RAG、推理、规划、Tool、多智能体协作等； 2）负责大模型训练和推理的性能优化，以及前沿技术调研与落地，保证训推效率达到业界领先水平。
1、设计、开发和维护高性能的后端服务，确保系统的稳定性和可扩展性； 2、监控和优化系统性能，及时发现和解决潜在问题； 3、应用LLM、RAG、NLP等技术，落地知识问答、代码补全、图文生成、数据分析等大模型产品； 4、深入理解业务需求，跨团队沟通协作，并解决相关技术难题。
1、端侧机器人硬件全栈整合： 设计机器人"大脑"(决策中心)的高性能计算平台,支持复夏杂AI算法实时处理； 。构建"小脑"(运动控制)硬件系统,实现低延迟传感-控制闭环,确保运动精度与可靠性； 。推动大脑-小脑硬件协同架构设计,解决系统级通信、供电与热管理挑战； 2、前沿技术探索：跟踪AI硬件(存算一体、光互连等)、机器人灵巧控制、新新型传感器等前沿技术，主导技术预研与原型验证;承担高风险、高潜力创新项目,推动技术边界突破； 3.跨领域协同：与软件/算法团队协作，定义硬件-软件接口规范,优化系统级性能；指导硬件团队实现设计落地，解决量产过程中的工程问题。
-负责参与AI+医疗产品或智能体平台设计开发 -保持业务和技术前瞻性，分析系统架构的瓶颈，持续提升系统的性能、扩展性和稳定性 -关注产品体验，高质高效支撑产品落地，为医院和患者提供更有价值的产品服务 -与前端研发、算法研发和产品团队紧密合作，构建优秀的用户体验和功能
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： 随着人工智能技术的快速发展，大模型技术在交易与广告场景中的应用日益广泛，已成为推动行业创新和效率提升的重要驱动力。大模型凭借其强大的学习能力和泛化性能，在多个领域展现出显著优势。例如，推荐大模型能够精准捕捉用户偏好，提升个性化推荐效果；AIGC（AI-Generated Content）技术可用于广告创意、商品图片和视频生成，大幅降低创作成本并提升内容质量；广告投放诊断系统和诊断助手帮助优化投放策略；智能客服、影片智能剪辑、智能导购、大模型审核、用户序列建模以及多模态广告和用户理解等应用，则通过自然语言处理、多模态数据融合等技术，提升用户体验和业务效率。 然而，交易与广告场景对大模型系统的要求极高，不仅需要模型具备出色的精度和泛化能力，还需在实时性、稳定性、可扩展性等方面满足严苛标准。特别是在大规模分布式训练、推理加速、异构硬件支持、多模态数据处理以及系统集成等方面，存在诸多技术难点。因此，针对交易与广告场景研发和优化大模型系统，不仅是人工智能技术发展的前沿方向，也是行业应用的迫切需求。本课题旨在通过系统和工程领域的深入研究，突破关键技术瓶颈，构建高效、稳定、可扩展的大模型解决方案，为交易与广告场景提供强有力的技术支撑。 课题挑战： 1、大规模分布式训练加速：大模型训练需处理海量数据和高复杂度计算，导致训练耗时长、资源需求大。如何优化分布式训练架构，提升数据并行、模型并行和流水线并行的效率，是首要技术难题。 2、推理加速和性能优化：交易与广告场景对实时性要求极高，如广告投放需毫秒级决策。如何在资源受限环境下通过模型压缩和推理引擎优化实现快速推理，是关键挑战。 3、异构硬件支持：大模型需适配多种硬件平台。如何实现高效部署和负载均衡，确保跨硬件精度一致性和高性能，是技术难点。 4、编译优化：编译优化是过程复杂，如何开发高效编译器，优化长尾/灵活模型或结构在不同Accelerator执行效率并减少延迟，是亟待解决的问题。 5、Agent工程：智能客服和导购等应用需构建自主决策的AI Agent。如何设计高效的Agent系统，支持复杂任务执行，是前沿挑战。 6、强化学习框架：强化学习在广告投放优化等场景中潜力巨大。如何构建高效框架，支持大规模环境训练和推理，是研究难点。 课题内容： 1、大规模分布式训练加速技术 1）研究数据并行、模型并行和混合并行算法，优化训练效率； 2）开发自适应负载均衡机制，减少资源浪费； 3）探索梯度压缩和通信优化技术，降低网络开销； 2、推理加速与性能优化方法 1）研究模型压缩技术（如量化、剪枝），减小模型体积； 2）开发高效推理引擎，支持批量推理和异步处理； 3）针对不同Accelerator的架构加速推理过程； 3、异构硬件支持与优化 1）设计通用部署框架，支持多硬件无缝集成； 2）开发硬件感知调度算法，优化任务分配； 3）研究跨硬件模型迁移技术，确保精度一致； 4、编译优化技术 1）深入优化模型编译器，优化长尾场景的计算开销； 2）研究图优化和算子融合技术，减少计算开销； 3）探索动态优化方法，提升运行时效率； 5、Agent工程与实现 1）设计模块化Agent架构，支持任务分解和决策； 2）开发多模态交互技术，提升用户体验； 3）研究Agent训练与评估方法，优化复杂场景性能； 6、强化学习框架构建 1）开发高效强化学习算法，支持多智能体协作； 2）针对交易与广告场景的训练场景优化训练速度，提升迭代效率； 3）探索强化学习在广告投放中的应用，提升决策效果。