字节跳动端到端视频编解码实习生-音视频技术
任职要求
1、2027届硕士及以上学位在读，计算机科学与技术、电子信息工程、通信工程、应用数学等相关专业优先； 2、熟练掌握Python与至少一种深度学习框架（如PyTorch/TensorFlow），具备独立设计、训练和调试复杂神经网络的能力； 3、理解深度学习基本原理，熟悉CNN、Transformer等主流网络结构；对视频/图像压缩、信号处理、信息论有基本的理论储备； 4、有实际的深度学习项目经验，能够独立完成模型的设计、训练、…
工作职责
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：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。 1、端到端视频压缩框架研究与实现：参与设计并实现高压缩率、低复杂度的端到端压缩网络，攻坚1080p视频实时解码，并以压缩性能超越H.266/VVC为目标； 2、模型设计与性能优化：围绕主流研究方向，研究部署友好的时空上下文建模、码率控制与熵编码结构设计，持续提升端到端压缩收益； 3、模型高性能推理优化：探索量化感知训练、算子融合等技术，极致优化模型推理效率、并行计算与存储访问，使神经网络模型能高效运行在目标硬件上； 4、系统化评测与分析：构建系统化的编解码器评测流水线，对方案进行模块级复杂度评估和全面的性能分析，识别并优化端到端链路中的关键瓶颈，实现率-失真-复杂度的联合优化。
1、负责统一语音多模态大模型的设计、训练、优化，涵盖语音识别、语音合成、语音理解、文本-语音融合、跨模态检索与生成等方向； 2、推动语音与其他模态（文本、图像等）在统一建模框架下的深度融合，提升模型的理解、生成与交互能力； 3、跟踪并研究前沿的多模态学习方法，包括但不限于Transformer、对比学习、扩散模型、自监督学习、强化学习等； 4、参与大规模数据预处理、模型训练与推理优化，推动模型在实际场景中的高效部署； 5、与产品、工程团队紧密协作，将研究成果应用于智能助手、虚拟人、智能硬件、会议记录等业务场景。
1、负责/参与端到端自动驾驶模型的性能迭代与突破，通过数据和模型的优化迭代，推动模型在量产产品中的效果闭环； 2、深度搭建并优化数据挖掘与数据闭环链路，基于量产场景的真实数据分布，设计高效的数据筛选、清洗、标注、回流策略，通过数据驱动的方法持续提升模型在长尾场景、极端工况下的鲁棒性与可靠性，要求具备量产项目中数据驱动性能提升的实战落地经验； 3、负责/参与合成数据相关工作，聚焦长尾场景数据补充，通过合成数据与真实数据的协同应用，实现模型在长尾场景下的性能显著提升，要求具备合成数据落地应用的实战经验； 4、构建并迭代端到端模型评测体系，结合仿真测试、实车验证等多维度手段，建立科学的性能评估指标与自动化评测流程，能通过评测结果精准定位模型短板，并主导评测系统的优化升级，为模型迭代提供核心决策依据； 5、具备模型训练相关经验者优先（包括大规模数据训练、分布式训练、训练框架应用等场景经验）； 6、传统决策规划算法领域的优秀人才优先考虑； 7、紧跟业界前沿技术动态，重点研究自动驾驶领域最先进的数据闭环方案、评测方法与端到端模型应用，推动技术预研与工程化落地，保持团队在数据驱动与评测体系上的核心竞争力。
1. 端到端模型研发： 负责新一代 End-to-End 自动驾驶算法的泊车场景的研发，包括但不限于基于 World Model（世界模型）、Video Generation（视频生成） 或 VLM（视觉语言模型） 的驾驶策略生成。 2. 数据闭环与评测： 搭建针对生成式规划算法的自动化评测体系，利用大模型进行数据挖掘、自动标注（Auto-labeling）及场景重建，通过数据闭环持续提升模型性能。
1.运筹优化/数理统计/计量学/计算机算法开发：通过数据分析诊断问题，挖掘业务场景的规律模式，应用机器学习、强化学习等算法预测或沉淀决策策略，探索算法落地机会点，并与大规模优化算法结合，实现端到端学习决策。 2.供应链与物流业务场景理解：围绕公司的供应链仓网设计、库存计划、服务网络设计与车辆调度等业务场景，对场景抽象建模并通过算法降本增效。 3.前沿技术探索：持续跟进前沿运筹优化、强化学习等研究进展，将最新研究成果与公司业务相结合，挖掘算法优化深度空间。