字节跳动
机器学习算法工程师（AR方向）-PICO
机器学习算法工程师（AR方向）-PICO
发布于 1 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
机器学习
深度学习
PyTorch
TensorFlow
TensorRT
ONNX
端侧部署
QNN
Ar/Xr
AI 估算 · 30k–60k
北京字节跳动5年以上AR算法岗，市场薪资中高位，结合技术稀缺性和公司薪酬体系估算。
职位详情
关于这个职位
该职位负责XR设备（如头显）的机器学习算法设计与工程化落地，涉及模型选型、训练调优、端侧性能优化等全流程
你将与硬件、工程、产品团队紧密协作，解决资源受限场景下的实时推理挑战，推动算法在动态复杂环境中的稳定表现
适合有丰富算法工程化经验、对AR/VR技术充满热情的工程师
最低要求
本科及以上学历，计算机科学、机器学习、人工智能、软件工程、应用数学等相关专业
年以上机器学习算法工程化研发经验
精通机器学习核心算法原理（如深度学习、传统机器学习模型），熟悉常见模型（CNN、Transformer、RNN等）的工程化应用场景
熟练掌握至少一种主流深度学习框架（PyTorch/TensorFlow），具备独立完成模型训练、调优、版本管理的实战能力
具备较强的工程实现能力，熟练使用Python/C/C++等编程语言，能高效将算法与数据方案转化为稳定、可复用的工程代码
熟悉算法工程化全流程，包括数据处理、模型训练、部署上线、监控迭代，有完整项目落地经验
熟悉QNN、TensorRT、ONNX等端侧部署生态，具备端侧算法优化实战经验，了解XR设备/GPU/NPU硬件架构者优先
能针对资源受限设备设计合理的算法方案，平衡性能、精度与资源占用
具备扎实的工程问题与数据问题分析能力，能快速定位算法训练、数据处理、部署中的瓶颈并给出高效解决方案
具备良好的跨团队沟通协作能力，能与硬件、工程、产品、数据标注团队高效协同推进项目
工作职责
主导XR设备相关机器学习算法设计、开发与工程化落地，涵盖模型选型、训练调优、性能优化等全流程，满足XR设备的交互、感知、决策等核心需求
聚焦端侧算法性能优化，针对移动端XR头显的资源受限特性（低算力、低内存、低功耗），实现算法的低延迟推理与高效运行
优化算法在动态复杂场景中的鲁棒性，结合数据分析结果解决环境干扰、设备差异、数据分布不均等问题，保障算法在实际场景中的稳定表现
推动技术沉淀与标准化，参与算法及数据处理相关专利布局，输出数据处理流程、算法工程化最佳实践，提升团队整体研发效率
与XR硬件团队、工程开发团队、产品团队紧密协作，明确数据与技术需求，推进算法方案落地与迭代优化
优先资格
了解XR设备/GPU/NPU硬件架构者优先
AI 洞察
优缺点分析
优点
- AR/VR是前沿赛道，字节大力投入，技术积累和资源丰富
- 端侧算法优化属于高价值技能，市场稀缺，跳槽竞争力强
- 能与顶尖硬件和工程团队合作，技术视野开阔
- 端侧资源受限，需要在精度、速度和功耗间反复权衡，调试周期长
- 跨团队协作频繁，沟通成本高，需同时理解硬件和产品需求
缺点 / 挑战
- 业务节奏快，算法落地压力大，对工程化能力要求极高
- 适合有3-5年算法工程化经验，热爱AR/VR技术，喜欢挑战低功耗实时系统优化的工程师
角色解读
- 在XR领域深耕，成为端侧算法专家或技术负责人
- 横向拓展到计算机视觉、多模态感知等方向，或转向技术管理
- 随字节跳动PICO业务发展，有机会主导核心算法项目，影响产品方向
- 设计和训练机器学习模型，用于XR设备的交互、感知和决策功能
- 针对移动端XR头显的低算力、低功耗环境，优化模型推理速度和内存占用
- 与硬件、工程、产品团队协作，将算法落地到实际产品中，并持续迭代
- 精通深度学习框架（PyTorch/TensorFlow），能独立完成模型训练和调优
- 熟悉端侧部署工具（QNN、TensorRT、ONNX），有实际优化经验
- 掌握Python、C/C++，有扎实的工程化能力和问题分析能力
申请策略
- 提前了解PICO产品线和技术博客，面试中展现对XR方向的热情
- 准备一个端侧优化的完整案例，从问题定义到最终效果，展示系统性思维
- 突出端侧算法优化项目经验，尤其是QNN/TensorRT/ONNX的实战案例
- 展示完整的模型训练到部署流水线，量化性能提升数据
- 强调与硬件团队的协作成果，如联合调优或功耗优化
- 补充XR设备硬件知识（如GPU、NPU架构），了解常见传感器数据处理
- 复习传统机器学习模型在资源受限场景的轻量化方法（如剪枝、量化）
面试指南
- 使用STAR法则：描述背景、任务、行动、结果，量化效果
- 突出方法论：量化裁剪、算子融合、内存复用等具体技术细节
- 展示协作能力：提到跨团队沟通、需求对齐、迭代流程
- 请介绍一个你主导的端侧算法优化项目，如何平衡精度和速度？
- 在资源受限设备上部署Transformer模型时，你通常采取哪些优化策略？
- 如何处理实际场景中的环境干扰和硬件差异？举例说明
- 你如何与硬件团队协作解决算法与硬件适配问题？
- 复习端侧部署工具（QNN、TensorRT、ONNX）的核心原理和常见调优参数
匹配度报告
74
综合匹配度
前沿AR算法工程岗，技术成长空间大，薪资优厚但工作强度可能较高。
适合人群
最适合追求技术成长和前沿方向的求职者，对薪资和工作节奏有一定要求。
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75
薪资福利匹配
80较高
字节跳动薪资具有竞争力，上市大厂福利完善，但JD未明确薪资范围，需面议。
薪资信号面议 (30K-60K/月)
成长发展匹配
90较高
AR/VR是前沿技术，端侧优化属于高成长技能，且团队有专利布局和知识沉淀，发展空间大。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、PyTorch、TensorFlow、QNN、TensorRT、ONNX
成长机会专利布局、最佳实践
业务类型profit_center
工作生活匹配
50较低
仅现场办公，未提及弹性工作或WLB，字节跳动通常节奏较快。
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
75中等
AR/XR行业处于高速增长期，技术推动交互变革，社会影响力中性偏正面。
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