字节跳动推荐大模型算法实习生-国际电商

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：国际电商是以TikTok为载体的电商业务（也称为TikTok Shop），致力于成为用户发现并获取优价好物的首选平台，在直播电商、视频内容电商、货架电商等多场景下，国际电商希望能为用户提供更个性化、更主动、更高效的消费体验，为商家提供稳定可靠的平台服务，致力于新奇好物畅销全球，美好生活触手可得的使命。 Data-电商团队是国际电商的核心算法技术力量，专注于电商领域的算法创新，帮助用户高效发现感兴趣的商品，保障用户的购物安全，提升交易各环节的智能化水平。在这里，你将与一流的产品和技术团队合作、钻研，一起应对技术和业务上的挑战，推动技术在电商场景的深度落地。 1、推荐模型的Scaling Law，模型在理论指导下Scaling Up，涉及到算力在数据、参数和推理上最优分配； 2、以开源LLM为基座，把推荐物品的语义Token和世界知识进行模态融合； 3、以NTP为主的Pre-Train和把推荐重构为RLVR任务的Post-Train，探索Reasoning及蒸馏上线的潜力； 4、单体模型充分Scaling Up及端到端生成式推荐探索。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商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，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）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； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告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，提升电商分发效率； 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、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、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。

团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 1、探索多模态模型，包括多模态预训练，多模态LLM； 2、将多模态模型应用于图像/视频的生成创作、逻辑推理、深层语义理解、视频语义压缩、视频高光判断等； 3、探索LLM、多模态等的高效Finetuning技术和推理技术，保证模型在业务场景中的快速适配和高效调用； 4、主要研究方向包括：多模态预训练、图片和视频的生成、图片和视频风格迁移、跨模态检索、大模型多标签分类、半监督学习、自监督学习。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商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，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）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； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告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，提升电商分发效率； 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、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、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。