字节跳动算法实习生-穿山甲
任职要求
1、本科及以上学历在读，计算机等相关专业优先； 2、具备扎实的编程能力，熟悉常见数据结构与算法； 3、有机器学习、深度学习、推荐/广告/搜索、NLP、视觉、多模态等任一方向经验者优先； 4、对内容生成、大模型、数字人技术有浓…
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：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、负责广告创意生成体系的研发，包含文案、图片、视频、数字人、交互组件等多模态内容，通过自动化与智能化Agent技术提升创意生产效率与投放表现； 2、探索面向用户与行业的个性化生成范式，基于人群特征、内容偏好和业务目标，实现“千人千面”的智能创意表达； 3、构建以投放效果为导向的生成-反馈闭环，围绕CTR等真实投放指标，持续优化生成模型、策略与内容质量； 4、推动新型创意形态落地，包括数字人内容、动态素材、组件化落地页、互动创意等，通过技术创新驱动广告体验与商业效果双提升。
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、利用机器学习技术，改进头条的推荐、广告系统，优化数亿用户的阅读体验； 2、分析基础数据，挖掘用户兴趣、文章价值，增强推荐、广告系统的预测能力； 3、分析用户商业意图，挖掘流量潜在商业价值，提升流量变现； 4、研究计算机视觉算法，给用户提供更多更酷炫的功能； 5、研发机器翻译与对话技术，促进跨语言内容理解与交流。
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：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、利用机器学习技术，改进穿山甲的推荐、广告系统，优化数亿用户的阅读体验； 2、分析基础数据，挖掘用户兴趣、文章价值，增强推荐、广告系统的预测能力； 3、分析用户商业意图，挖掘流量潜在商业价值，提升流量变现； 4、研究计算机视觉算法，给用户提供更多更酷炫的功能； 5、研发机器翻译与对话技术，促进跨语言内容理解与交流。
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、穿山甲团队致力于探索创新项目，短剧/漫剧作为当前火热的赛道，整个行业还有巨大的增长空间，该岗位需要探索基于AI的短剧创作解决方案，通过AIGC生成短剧内容创作，涵盖剧本生成，分镜生成，视频生成等全流程解决方案，为平台带来更多的短剧内容供给； 2、建设大规模的视频生成基础模型，取得领先水平； 3、进行视频生成相关的算法的设计和效果迭代，提升视频生成的效果。
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。