字节跳动
大模型搜索算法工程师/专家-综合
大模型搜索算法工程师/专家-综合
发布于 大约 16 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
深度学习
NLP
强化学习
搜索引擎
LLM
多模态
大模型
MLLM
AI 估算 · 35k–65k
字节跳动大模型算法高级岗，技术要求高，市场稀缺，薪资处于一线大厂高端水平。
职位详情
关于这个职位
该职位是字节跳动搜索团队的核心算法岗，负责探索大模型、LLM、多模态等前沿技术与搜索引擎的结合，实现AI搜索的全链路革新
你将参与构建大规模高质量数据、训练和优化AI搜索模型，并推动AIGC创新应用落地（如豆包、电商、抖音等场景）
适合对NLP、深度学习、大规模系统有深入研究的候选人
最低要求
本科及以上学历，计算机、电子、数学等相关专业
在搜索、推荐、搜广推、自然语言处理NLP、自然语言理解NLU、LLM、MLLM、多模态、机器学习、深度学习等一个或多个领域有较深入的研究者优先
熟悉大模型预训练、Post-Training、SFT、RLHF、RL者优先
熟悉Linux开发环境，熟练使用C++和Python语言
具有良好的问题分析解决能力，沟通协作能力，工作积极主动，能够与团队融洽合作，一起探索新技术，推进技术进步
工作职责
探索搜索引擎与大模型、LLM、MLLM、多模态、机器学习、强化学习等前沿技术的结合，实现搜索引擎全链路革新并进行极致的系统优化，探索提升AI搜索引擎的能力，包含而不限于相关性、权威性、时效性、意图理解能力等
探索LLM适性索引、LLM相关性、生成式召回、排序大模型等
构建大规模高质量数据（数据建设、数据抓取与解析、数据合成等）、训练和优化AI搜索的机器学习模型（多模态内容理解、指令微调、索引筛选、Query分析、Scalable Oversight、Long CoT、模型推理/规划、模型优化、构建全面客观准确的评测体系等）
探索推进AI搜索、AIGC创新应用的落地（包含而不限于豆包、电商、抖音、智能硬件、AI找搭配/虚拟穿搭等大模型应用场景），研发以人工智能技术为核心的新技术、新产品，探索满足用户的智能交互需求，提升现实与物理世界的交互能力
优先资格
具有优秀的基础算法、扎实的机器学习/深度学习基础，熟悉NLP、RL、ML等领域的技术，在ICML、ACL、COML、EMNLP、CVPR、ECCV、ICCV、NeurIPS、ICLR、SIGGRAPH或SIGGRAPH Asia等顶级会议/期刊上发表论文者优先
具有优秀的代码能力，熟练掌握C/C++或Python编程语言，ACM/ICPC、NOI/IOl、Top Coder、Kaggle等比赛获奖者优先
在LLM、多模态、大模型、基础模型、世界模型、RL等领域，主导过项目者优先
具有大规模搜索引擎、推荐系统、分布式系统、计算广告、超大规模数据计算等相关经验者优先
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与大模型、多模态等最热门AI技术的研发与应用，积累稀缺经验
- 平台资源：字节跳动拥有海量数据和丰富业务场景，个人技术成长空间大
- 薪酬福利：薪资极具竞争力，且公司福利完善（如五险一金、股票期权等）
- 技术门槛：要求同时具备算法深度和工程能力，学习曲线陡峭
- 竞争激烈：团队内优秀人才众多，需要持续输出成果才能脱颖而出
- 适合对大模型、搜索算法有强烈兴趣，且能承受高强度工作、希望在技术顶尖团队中快速成长的候选人
缺点 / 挑战
- 工作强度：互联网大厂尤其是搜索团队，项目节奏快，可能存在较高的工作压力
角色解读
- 技术纵深：从算法研究员成长为搜索/推荐领域的专家，主导核心技术突破
- 管理方向：带领团队负责搜索算法方向，成为技术负责人或部门总监
- 横向拓展：向其他AI应用领域（如电商、智能硬件）扩展，成为跨领域技术专家
- 探索大模型与搜索引擎的结合，研发LLM、多模态等技术用于搜索全链路优化，包括Query分析、召回、排序等
- 构建大规模高质量训练数据，训练和优化AI搜索的机器学习模型，涵盖指令微调、强化学习等
- 推动AI搜索和AIGC创新应用的落地，涉及豆包、电商、抖音等多个业务场景
- 扎实的机器学习/深度学习基础，熟悉NLP、LLM、多模态等领域的前沿技术
- 熟练使用C++和Python，具备优秀的代码能力和系统优化经验
- 有大规模搜索引擎、推荐系统或分布式系统开发经验者优先
申请策略
- 关注字节跳动AI搜索的最新动态（如豆包、抖音搜索），在面试中体现对产品的理解
- 准备好讲述一个从问题定义到落地的完整技术项目，突出个人贡献和效果
- 突出大模型或NLP相关项目经验，特别是预训练、SFT、RLHF等经历
- 强调在顶级会议（如ACL、NeurIPS）发表论文或竞赛获奖经历
- 展示大规模系统（搜索引擎、推荐系统）的优化经验，体现工程能力
- 深入掌握LLM的原理和微调技术，动手实践SFT、RLHF等流程
- 提升C++和Python编程效率，复习分布式系统知识
- 了解字节跳动的搜索业务，准备相关的案例思考
面试指南
- STAR法则：描述情境、任务、行动和结果，突出技术难点和量化成果
- 技术对比：将传统方法与新方法对比，展示前沿理解
- 系统思维：从数据、模型、工程三个维度全面解析问题
- 请介绍你参与过的一个大模型项目，包括数据处理、模型选型、训练优化和效果评估
- 如何设计一个基于LLM的搜索排序系统？与传统方法相比有哪些优势？
- RLHF的原理是什么？在实际应用中你遇到过哪些挑战？
- 如何优化大规模在线搜索引擎的延迟和吞吐量？请举例
- 你如何看待多模态搜索的未来方向？请提出一个创新方案
匹配度报告
69
综合匹配度
大厂前沿技术岗，薪资优厚、技术挑战大，但工作强度高、WLB一般。
适合人群
该职位最适合追求技术成长和职业发展的求职者，愿意在高强度环境中快速提升。
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92
工作生活30
使命价值70
薪资福利匹配
85较高
字节跳动薪资偏高，福利完善，但工作强度较大，在补偿性动机上满足程度较高。
薪资信号偏高 (35K-65K/月)
成长发展匹配
92较高
该职位技术前沿，涉及大模型、多模态等新兴领域，成长机会极佳，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈LLM、MLLM、多模态、强化学习、NLP、深度学习
成长机会探索前沿、创新突破、成长自我
业务类型profit_center
工作生活匹配
30较低
仅现场办公，未提及WLB或弹性工作，互联网大厂高强度文化，生活化动机满足度低。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
70中等
AI搜索技术对社会信息获取有较大价值，但主要服务于商业变现，意义感中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs