字节跳动
大语言模型算法工程师-豆包大模型
大语言模型算法工程师-豆包大模型
发布于 大约 16 小时前普通员工/个人贡献者
杭州市
初级经验
全职员工
仅现场办公
本科
NLP
模型评估
LLM
SFT
大语言模型
RL
指令微调
数据建设
AI 估算 · 30k–60k
大模型算法岗位需求大，技术壁垒高，薪资竞争力强，但需具备扎实的NLP和模型优化经验
职位详情
关于这个职位
作为字节跳动豆包大模型团队的核心算法工程师，你将专注于大语言模型的优化与创新，涉及数据建设、指令微调、偏好对齐、复杂推理等前沿技术，并推动模型在搜索、客服、办公等企业场景的应用落地
最低要求
计算机相关专业本科及以上学历，1年以上算法研发工作经验，有相关方向技术和研究背景的候选人优先
优秀的代码能力、数据结构和基础算法功底，C/C++或Python熟练
出色的独立分析和解决问题的能力，能深入解决大模型优化和应用存在的问题
良好自驱力和沟通协作能力，能和团队一起探索新技术，推进技术进步
工作职责
发现优化大模型的简单、普适的创意，并应用到各个规模的模型中提升效果
推进数据建设、指令微调、偏好对齐、继续预训练等模型优化方面的工作，提高模型质量和适应性
探索复杂指令、长上下文、多轮对话下，大模型更为复杂的理解、推理和生成能力
基于语言处理、内容创作、教育Tutor、角色扮演、复杂Agent、AI搜索和工具、代码助手等服务和应用优化模型效果
推进大模型效果评估与企业场景应用探索：
）推进大模型效果评估，尤其是复杂场景（多轮对话、开放领域）评估集建设和自动化评估能力建设
）深入研究和探索大模型在To B企业服务中的更多使用场景，拓展模型的应用范围，如搜索、推荐、广告、创作、客服和办公等各类场景
优先资格
有领域会议文章（NeurIPS、ICML、ICLR、CVPR、ICCV、ACL、KDD等）、有编程/AI比赛获奖（ACM/ICPC、NOI/IOI、Top Coder、Kaggle等）优先
熟悉NLP相关的算法和技术，在相关领域有过良好研究记录者优先，熟悉大模型预训练、SFT与RL算法者优先，或在大模型领域主导参与过大影响力的项目或论文者优先
AI 洞察
优缺点分析
- 身处大模型最前线，接触前沿技术（SFT、RL、数据建设），技术积累价值高
- 字节跳动平台资源丰富，项目影响力大，可参与豆包等明星产品的核心算法迭代
- 薪资和福利在行业内具有竞争力，且大模型人才市场需求旺盛，职业前景广阔
- 大模型研究迭代极快，需持续学习紧跟最新论文和方法，工作压力较大
- 项目要求高，需同时兼顾模型效果、评估和实际应用落地，对综合能力要求高
- 需与多个业务团队（如搜索、广告、教育）紧密协作，沟通成本不低
- 适合对NLP和大模型有浓厚兴趣、技术功底扎实、喜欢挑战和快速成长的算法工程师
角色解读
- 从模型优化工程师逐步成长为技术专家，主导大模型在特定场景的核心落地
- 可向团队技术负责人或架构师方向发展，带领团队攻克大模型前沿难题
- 也可横向拓展至AI平台、推理优化、多模态等方向，拓宽技术边界
- 负责大语言模型的数据建设、指令微调、偏好对齐等工作，提升模型在复杂对话中的理解和生成能力
- 探索长上下文、多轮对话等场景下模型的推理能力，并应用于内容创作、教育、Agent等实际业务
- 推进模型效果评估体系，尤其针对开放领域和To B场景，拓展模型在搜索、广告、客服等方向的应用
- 扎实的编程能力，精通Python或C++，熟悉数据结构和算法
- 深入理解NLP、大模型预训练、SFT、RL等核心技术，有相关项目或论文经验优先
- 具备独立分析、解决复杂问题的能力，能针对大模型优化中的具体问题提出创新方案
- 良好的自驱力和团队协作能力，能紧跟技术前沿并快速落地
申请策略
- 建议提前了解字节跳动豆包产品的发展方向和技术博客，在面试中展示对齐业务的理解
- 准备1-2个完整的模型优化项目案例，阐述从问题定义到效果验证的闭环过程
- 突出大模型相关项目经验，如预训练、微调、RLHF等，量化模型效果提升指标
- 强调熟练使用的框架和技术栈（PyTorch、DeepSpeed、Megatron等），以及编程竞赛或顶会论文发表经历
- 展示在复杂场景（长上下文、多轮对话）下的优化案例，体现解决实际问题的能力
- 系统梳理SFT、RL、偏好对齐的经典论文和代码实现，如PPO、DPO等
- 熟悉大模型评估方法论，包括自动化评估和人工评估的设计
- 提升工程化能力，掌握分布式训练、模型压缩、推理加速等技能
面试指南
- 针对项目类问题，采用STAR法则：背景、任务、行动、结果，重点强调技术细节和量化成果
- 针对原理类问题，先定义核心概念，再对比不同方法的优缺点，最后给出自己的实践见解
- 针对开放性问题，先分析核心挑战，再提出有数据或实验支撑的解决方案，并说明局限性
- 请详细介绍一下你参与过的大模型微调项目，包括数据构建、训练策略和效果评估
- 指令微调和RLHF的区别是什么？你如何设计奖励模型？
- 如何处理大模型的多轮对话记忆和长上下文问题？有什么优化方案？
- 你是如何看待大模型在To B场景中的应用挑战？
- 请手写一个Transformer的attention机制，并分析其复杂度
匹配度报告
72
综合匹配度
大厂核心算法岗位，前沿大模型技术栈，薪资优厚，但WLB一般
适合人群
最适合追求技术深度和职业成长的求职者，对高强度工作和快速迭代有心理准备。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值70
薪资福利匹配
85较高
字节跳动薪资福利有竞争力，大模型岗位薪酬在行业中属偏高水平，但JD未明确具体薪资和福利项目。
薪资信号未披露 (30K-60K/月)
成长发展匹配
95较高
大模型是前沿技术领域，岗位涉及大量核心算法创新，成长空间极大，公司内部技术分享和晋升通道成熟。
技术前沿前沿/新兴技术
技术栈大语言模型、LLM、SFT、RL、NLP、预训练、指令微调、偏好对齐
业务类型profit_center
工作生活匹配
40较低
JD未提及远程或弹性办公，互联网大厂通常节奏较快，杭州现场办公，WLB一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
大模型技术推动AI进步，有较高社会价值，但并非直接服务社会民生，意义感适中。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs