字节跳动
算法工程师-数据智能（杭州）
算法工程师-数据智能（杭州）
发布于 大约 20 小时前普通员工/个人贡献者
杭州市
高级经验
全职员工
仅现场办公
硕士
PyTorch
RAG
LLM
SFT
RLHF
HuggingFace
Scaling Law
Code-Llm
Nl2Code
AI 估算 · 30k–50k
大厂核心算法岗，前沿技术需求高，杭州薪资水平，竞争力强。
职位详情
关于这个职位
字节跳动数据智能团队招聘算法工程师，负责大语言模型的数据增强、训练优化及应用落地，重点攻克Code-LLM、逻辑推理、NL2Code等前沿技术难点，推动LLM在RAG问答和数据洞察等场景的实践
适合对LLM研发有热情、追求技术深度的候选人
最低要求
数据增强算法优化，优化预训练/SFT/RLHF阶段的数据合成算法，提升训练数据的准确性、多样性和领域适配性
负责大模型研发，主导Code-LLM与逻辑推理大模型的训练创新，攻克NL2Code、复杂推理链生成等技术难点，推进LLM Test-Time Compute、Parameter-Efficient Finetuning等技术落地实践
推动大模型应用落地，探索包括RAG-QA机器人、数据洞察机器人等在真实场景的应用价值，并基于评估体系实现应用效果的持续迭代
跟进开源SOTA大模型，探索大模型Scaling law并实践开源大模型在数据智能领域的Post-Training，沉淀技术专利
硕士研究生及以上学历，计算机科学/人工智能/应用数学等相关专业，顶会(ACL/NeurIPS/ICML/EMNLP/ICLR)论文或竞赛获奖者优先
扎实的深度学习技术基础，熟悉深度学习训练框架（PyTorch/Huggingface等），了解常见大语言模型、Embedding架构和训练方法优先
优秀的问题分析解决能力，以及良好的沟通协作能力，能和团队一起探索新技术
工作职责
数据增强算法优化，优化预训练/SFT/RLHF阶段的数据合成算法，提升训练数据的准确性、多样性和领域适配性
负责大模型研发，主导Code-LLM与逻辑推理大模型的训练创新，攻克NL2Code、复杂推理链生成等技术难点，推进LLM Test-Time Compute、Parameter-Efficient Finetuning等技术落地实践
推动大模型应用落地，探索包括RAG-QA机器人、数据洞察机器人等在真实场景的应用价值，并基于评估体系实现应用效果的持续迭代
跟进开源SOTA大模型，探索大模型Scaling law并实践开源大模型在数据智能领域的Post-Training，沉淀技术专利
AI 洞察
优缺点分析
优点
- 位于字节跳动数据智能核心团队，接触大规模分布式训练和前沿LLM技术
- 公司平台大，资源丰富，论文和专利产出机会多
- 薪资福利具有竞争力，晋升通道清晰
- 算法岗竞争激烈，需要产出实际效果而非单纯发论文
- 适合有扎实深度学习基础、热爱大模型技术、追求技术深度和影响力，且能承受高强度学习的求职者
缺点 / 挑战
- 技术挑战高，能够深入参与Pre-training/Post-training全流程，积累稀缺经验
- 技术难度大，需要持续学习快速迭代的LLM领域知识，工作强度较高
- 涉及多团队协作，沟通成本较高
角色解读
- 技术专家路线：深入研究大模型训练与推理，成为Agent、Code-LLM等领域权威
- 技术管理路线：带领团队攻克技术难点，晋升为算法团队负责人或技术总监
- 跨领域发展：转向AI产品架构或数据科学管理，拓宽业务影响力
- 优化大模型训练数据合成算法，提升数据质量与多样性，覆盖预训练/SFT/RLHF全阶段
- 主导Code-LLM和逻辑推理大模型的训练创新，解决NL2Code和复杂推理链生成等难题
- 推动大模型在RAG问答和数据洞察等场景的落地应用，并持续迭代优化效果
- 跟踪开源SOTA大模型，探索Scaling law，实践Post-Training并沉淀技术专利
- 扎实的深度学习基础，熟练使用PyTorch、Huggingface等框架
- 深入理解大语言模型架构，熟悉Embedding、RLHF等训练方法
- 具备优秀的问题分析和解决能力，能主动探索新技术
- 良好的沟通协作能力，能与团队高效合作
申请策略
- 了解字节跳动数据智能团队的业务方向，在面试中展现对具体场景（如数据洞察）的思考
- 准备一个完整的项目案例，体现从数据处理到模型训练再到效果评估的全流程能力
- 突出大模型相关项目经验，特别是预训练、SFT、RLHF或Code-LLM的实践
- 强调顶会论文或知名竞赛获奖经历，体现科研能力
- 展示使用PyTorch/Huggingface进行大规模分布式训练的经验
- 列举开源贡献或技术博客，体现技术热情
- 深入学习RLHF、PPO等强化学习训练方法
- 熟悉主流开源大模型（如LLaMA、Qwen）的架构和微调技巧
面试指南
- 结构清晰：背景-问题-方案-结果，重点突出对技术细节的理解和创新点
- 数据驱动：用具体指标说明效果提升，如准确率、召回率、训练效率等
- 体现思考：不仅描述做法，还要解释为什么选择该方案，以及优缺点权衡
- 请介绍你参与过的一个大模型训练项目，遇到的主要挑战及如何解决？
- 简述RLHF的原理，如何设计奖励模型？
- 请解释Scaling law如何指导大模型训练？
- 如何评估RAG系统效果？你会从哪些维度优化？
- 对Code-LLM的了解？如何提升NL2Code的准确率？
匹配度报告
76
综合匹配度
大厂核心算法岗，前沿LLM技术，薪资高但工作强度大。
适合人群
最适合追求技术成长、愿意投入高强度学习、看重薪资和行业前景的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活50
使命价值85
薪资福利匹配
80较高
字节跳动薪资待遇处于行业领先水平，但JD未明确具体福利，保密性较高，整体补偿性较好。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
90较高
职位聚焦LLM前沿技术，涉及训练创新、应用落地和Scaling law探索，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈LLM、PyTorch、Huggingface、RLHF、Code-LLM、NL2Code、RAG、Scaling law
业务类型profit_center
工作生活匹配
50较低
未提及远程或弹性工作，互联网大厂通常工作强度较高，生活平衡一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
85较高
AI大模型处于高速增长赛道，技术创新对社会影响深远，个人价值感强。
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