字节跳动
番茄模型运维（模型开发方向）运营-CQC
番茄模型运维（模型开发方向）运营-CQC
发布于 大约 14 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
PyTorch
RAG
SFT
向量数据库
DeepSpeed
RLHF
大语言模型(Llm)
AI 估算 · 30k–50k
大模型核心岗位，技术要求高，字节跳动薪酬竞争力强，月薪30k-50k属行业上游。
职位详情
关于这个职位
该职位是字节跳动大模型核心岗位，主要负责大语言模型的训练与优化（包括预训练、SFT、RLHF），同时涉及RAG系统搭建和业务工具链开发
你将参与前沿AI技术的落地，处理高质量数据并推动模型在垂直场景中的性能提升
适合对LLM有深入理解、动手能力强、热爱技术挑战的算法工程师
最低要求
计算机、人工智能、数学、电子信息等相关专业本科及以上学历，硕士学位优先
具备扎实的编程基础，精通Python，熟悉C++/Go等至少一门后端语言，熟练使用Linux开发环境
深入理解深度学习原理，熟练掌握PyTorch框架
熟悉主流开源大模型架构（如Llama、Qwen、ChatGLM、Mistral等），具备SFT/RLHF训练调优实际经验
熟悉分布式训练框架（如DeepSpeed、Megatron-LM、FSDP等），有集群训练经验者优先
熟悉LangChain、LlamaIndex等大模型应用开发框架
熟悉向量数据库（如Milvus、FAISS、Chroma等）及Elasticsearch的使用与调优
具备较强的英文文献阅读能力，能够快速跟进AI领域的最新学术进展
具备优秀的逻辑思维能力、问题拆解能力以及团队协作精神，对前沿技术有强烈的好奇心
工作职责
大模型训练与优化（核心）：负责大语言模型（LLM）的预训练（Pre-Training）、指令微调（SFT）以及基于人类反馈的强化学习（RLHF/DPO）等核心算法研发
主导高质量训练数据的挖掘、清洗、配比与评测体系建设，持续提升模型在通用或垂直领域的表现
追踪并复现前沿的大模型技术（如新架构、长上下文优化、MoE等），解决模型幻觉、逻辑推理等关键问题
业务工具链与智能体（Agent/Skill）开发：开发并完善涵盖数据处理、自动化评测、版本管理等环节的LLM全生命周期工具链
深入理解具体业务场景，针对业务痛点研发定制化大模型工具链（如自动化内容质量把控、垂直领域分析提效工具等），确保AI技术精准落地并产生业务价值
负责模型外部工具集（Tool-use/Function Call）的定义与开发，将模型能力原子化，使大模型能够通过调用外部插件、数据库、API接口执行复杂任务
检索增强生成（RAG）系统建设：负责设计与搭建基于大模型的RAG（Retrieval-Augmented Generation）系统，解决模型在特定业务场景下的知识时效性与准确性问题
优化RAG链路中的核心模块，包括文档解析、Embedding模型微调、向量检索策略优化（如多路召回、重排序Rerank）以及Prompt工程
优先资格
硕士学位优先
有集群训练经验者优先
AI 洞察
优缺点分析
优点
- 接触大模型最前沿技术，参与核心模型训练与优化，技术成长快
- 字节跳动平台资源丰富，数据规模大，模型落地场景多
- 团队技术氛围浓厚，可与行业顶尖人才协作
- 大模型训练周期长、调试复杂，工作强度较大
- 需要持续跟进学术界最新论文，保持技术先进性
缺点 / 挑战
- 对工程能力和算法理解要求高，入门门槛较高
- 适合对LLM有强烈兴趣、具备扎实算法和工程基础、能承受高强度技术挑战的求职者
角色解读
- 可向大模型算法专家或技术负责人方向发展，主导核心模型研发
- 也可转向AI平台架构师，负责大规模训练系统和工具链建设
- 技术积累深厚后可晋升至字节的T序列高级职位
- 负责大语言模型的训练与优化，包括预训练、SFT和RLHF，提升模型性能
- 开发LLM全生命周期工具链和智能体，实现模型对外部工具的调用
- 搭建并优化RAG系统，解决知识时效性和准确性问题
- 精通Python和PyTorch，熟悉分布式训练框架如DeepSpeed
- 深入理解主流开源大模型架构（Llama、Qwen等），有SFT/RLHF实战经验
- 熟悉LangChain、向量数据库和Elasticsearch，具备RAG系统搭建能力
申请策略
- 关注字节跳动AI Lab和技术博客，了解内部技术方向
- 准备一个完整的LLM项目复盘，包括遇到的问题和解决方案
- 突出大模型训练或微调项目经验，量化模型效果提升
- 展示分布式训练、RAG或Agent开发的实际案例
- 强调编程能力（Python、C++）和深度学习框架熟练度
- 深入复习Transformer架构和RLHF原理
- 动手实践LangChain和Milvus搭建简单RAG系统
- 熟悉DeepSpeed或Megatron的配置与调优
面试指南
- 结构化回答：先描述问题背景，再分步骤讲解解决方案，最后总结效果
- 技术对比：比较不同方法的优劣，体现深度思考
- 结合实际项目：引用自己参与过的项目细节，增强说服力
- 请详细描述你使用SFT或RLHF训练大模型的完整流程
- 如何设计RAG系统中的检索策略以提升准确率？
- 解释MoE架构的原理及其在大模型中的应用
- 如何处理大模型幻觉问题？给出具体方法
- 在分布式训练中遇到显存不足或训练不稳定时如何解决？
匹配度报告
74
综合匹配度
字节跳动大模型核心研发岗，技术前沿、薪酬优厚，但工作强度大、生活平衡一般。
适合人群
适合追求技术成长和职业发展的求职者，愿意在高强度环境下挑战前沿。
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50
使命价值65
薪资福利匹配
85较高
字节跳动薪资水平处于行业顶端，大模型岗位薪酬尤其优厚，福利完善，但具体薪资未在JD中披露。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
95较高
该岗位直接参与最前沿的大模型技术研发，技术栈新，成长空间极大，且有丰富的内部培训和学术资源。
技术前沿前沿/新兴技术
技术栈大语言模型(LLM)、RLHF、SFT、RAG、DeepSpeed、MoE
业务类型ambiguous
工作生活匹配
50较低
北京现场办公，字节跳动工作强度较高，JD未提及弹性工作或远程，生活平衡一般。
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
65中等
大模型技术具有广泛社会影响力，但职位更偏商业落地，使命感中等。
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