商汤模型基建实习生
任职要求
1.在读本科及以上学历，计算机、软件工程、电子信息、人工智能等相关专业 2.具备一定的Linux系统操作基础，熟悉常用的Linux命令（如top、free、ssh等），能独立完成基础的系统排查工作。 3.了解智能驾驶领域模型训练耗时优化相关方法（如资源调度、参数调优）者优先，有智能驾驶场景下模型基建相关实践经验更佳。 4.了解智能驾驶领域模型训练基本流程，熟悉至少一种深度学习框架（PyTorch/TensorF…
工作职责
1.协助团队搭建和维护智能驾驶领域模型训练、推理相关的基础设施，包括但不限于计算资源调度、训练任务优化配置、模型存储与管理系统，聚焦智能驾驶场景，保障端到端模型、多模态模型的稳定运行，提升模型训练与推理效率。 2. 辅助完成智能驾驶相关模型的训练任务调度与监控，优化训练流程，解决模型训练过程中出现的基础设施相关问题（如资源占用过高、训练卡顿等），保障智能驾驶场景下模型训练、推理的顺畅性。 3.协助整理和优化基建相关文档，包括部署手册、操作规范、问题排查指南等，保障文档的准确性和完整性。 4.配合团队完成其他模型基建相关的辅助工作，学习前沿的模型基建技术，参与技术调研和落地实践。
-主要协助AIGC内容的生产链路与效果评测的数据基建，协助对业务指标异动进行归因； -主动了解业务逻辑、指标体系，负责业务核心指标的监控、分析和异动归因 -协助进行模型效果分析，通过数据分析定位问题，为策略模型或者生产链路的优化提供数据支持和建议 -协助对接业务方，收集和整理需求，独立跟进需求并推动上线 -及时关注行业动态，对竞品、行业合作方等进行充分调研，输出完整的分析报告；
1、产品研发：建设酒旅业务流量获取、用户转化留存全链路用户运营工具，提升流量规模和承接效率；理解增长业务本质，通过数据及算法能力辅助业务策略提效，通过技术手段驱动业务增长。 2、系统基建：建设分销、社群、投放、触达等渠道能力；负责店铺、货架、营销场等承接能力；权益及积分等用户运营能力；负责增长数据系统建设，包括但不限于渠道归因、LTV预测、 CDP等核心数据系统；建设自动化广告投放系统提升拉新规模，降低CAC；负责拉新裂变系统提升裂变拉新规模。 3、系统运维：完善运维体系，主动发现系统隐患并推动重构，持续提升性能和可用性。 4、团队建设：指导低级别工程师的日常工作，定期技术分享促进团队成员进步。
ByteIntern：面向2025届毕业生（2024年9月-2025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：字节跳动质量技术团队，聚焦质量领域，提供一系列的稳定的、有效的、技术领先的质量产品和工具，支撑电商、抖音、头条、飞书等业务。当前，我们在积极的探索质量基建与大模型的结合，构建更高效、更智能的质量技术，非常期望有更多的人才加入，在质量内建、测试效能、自动化测试等领域取得前沿的技术突破。 1、参与领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署； 2、探索LLM技术在质量领域中的落地应用，基于大量质量能力构建统一的智能化测试基建； 3、参与质量智能化领域LLM/Agents的数据工程，构建数据飞轮； 4、参与基于质量数据做模型微调（Fine-tune），确保模型精度和效率。
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研发团队，旨在实现TikTok业务的研发工作，搭建及维护业界领先的产品。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，支持产品在全球赛道上高速发展；也能接触到包括服务架构、基础技术等方向上的技术挑战，保障业务持续高质量、高效率、且安全地为用户服务；同时还能为不同业务场景提供全面的技术解决方案，优化各项产品指标及用户体验。 在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。目前在北京，上海，杭州、广州、深圳分别开放多个岗位机会。 课题介绍：TikTok作为全球领先的短视频平台，面临新用户数据稀疏导致的个性化推荐不足、直播推荐时效性要求高、用户兴趣多样性维护困难以及电商推荐系统链路复杂等多重挑战。传统推荐方法依赖历史行为建模，难以解决新用户冷启动问题，且直播推荐需在极短窗口期内（通常30分钟内）实时捕捉内容动态变化（如主播互动、流量波动），这对系统的实时感知与快速决策能力提出更高要求。此外，单列沉浸式场景放大了多样性问题，需平衡多峰兴趣学习与探索引发的内容穿越风险。当前电商推荐系统采用多阶段漏斗架构（召回-排序-混排），存在链路不一致、维护成本高、过度依赖短期价值预测等问题，导致用户易陷入内容同质化疲劳。 针对上述痛点，项目提出结合大语言模型（LLM）和大模型技术实现突破：一方面利用LLM的海量知识储备与Few-shot推理能力，通过注册信息与外部知识推理新用户潜在意图，缓解冷启动问题；另一方面，在社交偏好建模中融合GNN与用户全生命周期行为序列，提升兴趣预测精准度。同时，探索大模型的泛化能力、长上下文感知及端到端建模优势，简化电商推荐链路，增强实时动态适应性与兴趣探索能力，最终实现系统更简洁、推荐更精准、用户体验与留存双提升的目标，推动业务可持续增长。 1、负责TikTok的推荐算法工作，包括但不限于：视频推荐、内容理解、因果推断、智能增长等，为用户提供领先的产品体验； 2、结合机器学习技术和业务场景需求，运用包括强化学习、Graph Embedding、大模型、大规模计算等在内的前沿建模技能，解决业务痛点，提升线上效果； 3、与产品及运营团队紧密合作，对用户的行为进行深入理解和分析，制定合理高效的策略逻辑，促进生态的健康发展； 4、参与算法团队的基建工作，提升资源利用率、增强效果稳定性、优化开发流程等，持续提高团队成员的工作效率。