字节跳动视觉多模态应用算法（视频通话方向）实习生-Seed
任职要求
1、2027届硕士及以上学位在读，人工智能、计算机、自动化、数学等相关专业优先； 2、有视频大模型训练、智能硬件相关研究经验者优先，在学术会…
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：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。 Seed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户。第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。 1、参与视频通话模型Post-training的优化和研发，包括通话长多轮对话体验的优化、视觉感知能力、联网搜索能力、记忆、Agent调用能力等； 2、研发视频通话的新特性，包括主动响应、音视频双工等特性； 3、参与智能硬件相关能力的优化，提升端到端用户体验； 4、探索各种前沿创新性技术，并转化为应用侧效果。
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：字节跳动 Seed 团队成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限。团队研究方向涵盖 LLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。 Seed 团队在 AI 领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的 AI 研究团队，为科技和社会发展作出贡献。目前团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、扣子、即梦等超过 50 个应用场景。 1、多模态大模型Post-Training全链路优化：参与SFT、RL、Agent训练等核心算法的调优与创新，围绕搜索、教育、医疗等业务场景进行定向能力打磨，提升模型在真实任务中的效果与稳定性； 2、视频通话AI体验与多模态融合：参与视频通话基础AI能力的优化，包括视觉理解、长多轮对话、逻辑推理、联网搜索等；同时参与创新特性研发，如视频Memory、智能主动响应、音视频双工等，并推动多模态推理、智能体等技术在产品中的落地； 3、可穿戴硬件端AI能力与端云协同：协同优化端侧执行链路与服务端多模态模型的适配效果，打通端云协同流程，提升视频通话及硬件联动场景下的端到端体验； 4、手机助手基础体验与智能特性研发：参与手机助手的视觉理解、工具调用、跨应用任务规划等基础能力优化；同时参与手机Memory、GUI Agent、Intent理解等新特性的研究与落地，提升整体交互体验。
1、 主导/核心参与全模态大模型（文本、图像、视频、音频、3D等）的模型架构与核心算法设计、训练及优化，探索跨模态对齐、多模态融合和原生多模态等前沿技术创新； 2、 开发全模态大模型在具体场景中的应用落地（如实时AI视频通话等方向），将全模态大模型技术与业务需求结合，推动场景化落地； 3、 解决全模态大模型训练和推理的挑战性问题（如模态对齐、长序列建模、高效推理等），跟踪相关领域在学术界与工业界的最新进展等。
1、 主导/核心参与全模态大模型（文本、图像、视频、音频、3D等）的模型架构与核心算法设计、训练及优化，探索跨模态对齐、多模态融合和原生多模态等前沿技术创新； 2、 开发全模态大模型在具体场景中的应用落地（如实时AI视频通话等方向），将全模态大模型技术与业务需求结合，推动场景化落地； 3、 解决全模态大模型训练和推理的挑战性问题（如模态对齐、长序列建模、高效推理等），跟踪相关领域在学术界与工业界的最新进展等。
1、 主导/核心参与全模态大模型（文本、图像、视频、音频、3D等）的模型架构与核心算法设计、训练及优化，探索跨模态对齐、多模态融合和原生多模态等前沿技术创新； 2、 开发全模态大模型在具体场景中的应用落地（如实时AI视频通话等方向），将全模态大模型技术与业务需求结合，推动场景化落地； 3、 解决全模态大模型训练和推理的挑战性问题（如模态对齐、长序列建模、高效推理等），跟踪相关领域在学术界与工业界的最新进展等。