字节跳动
大模型算法工程师（可靠性方向）-小荷健康
大模型算法工程师（可靠性方向）-小荷健康
发布于 大约 12 小时前普通员工/个人贡献者
北京市
其它
全职员工
仅现场办公
学历未注明
可靠性
RAG
LLM
多模态
算法评估
大模型
医学知识
AI 估算 · 25k–50k
字节跳动大模型算法岗薪资竞争力强，技术门槛高，热门方向，月薪范围合理。
职位详情
关于这个职位
该职位负责定义医疗AI大模型的能力体系，包括多模态理解、推理、记忆和工具调用等，并建设动态医学知识体系，推动算法落地到产品中
适合有大模型算法经验、对医疗AI感兴趣的工程师
最低要求
计算机、人工智能、统计、数据科学、生物医学工程或相关专业优先
在大模型算法、Agent/RAG/Tool Use/Memory、多模态理解、模型对齐、AI可靠性、真实世界数据分析或医学知识与证据体系中至少一个方向有可证明的项目、研究或工程产出
理解LLM的能力边界与常见失效模式，熟悉Agent、RAG、多模态模型或LLM Harness中至少一个方向的方法与评估要点
具备从方法设计、数据处理、实验验证到错误分析的完整执行能力，能够将开放问题转化为可迭代的算法方案
工作职责
定义医疗AI的真实世界能力体系，面向用户的多模态、多轮交互和连续健康管理任务，建立大模型在证据使用、对话决策、多模态理解、长期记忆和复杂任务完成中的能力框架
建设动态医学知识与证据体系，面向大模型推理、证据使用和长期记忆，构建可更新、可追溯、可核验的医学知识与证据底座，并将真实用户反馈沉淀为可回流的知识资产
定义面向医学任务的大模型能力框架，围绕多模态大模型、Agent和LLM Harness，定义医学任务中的工具调用、记忆管理、证据组织、任务编排和行为边界
从海量真实交互中发现能力边界，从用户多模态交互中识别有价值的反馈信号，发现模型在理解、推理、记忆和任务完成中的关键问题，并转化为算法、数据和系统迭代方向
推动算法能力进入生产系统，在由算法、研发、产品、运营和医学等角色组成的跨职能团队中，将模型能力、知识体系和反馈链路嵌入产品系统，支持模型迭代和产品演进
优先资格
在医疗AI研究或部署中有可证明的产出
医学、临床、药学或公共卫生背景
理解GRADE、Systematic Review、临床证据等级等循证医学方法者
在ICML、ICLR、NeurIPS、ACL等AI会议发表过AI安全、对齐、RAG、评测相关研究
在同行评议医学期刊有医疗AI、临床决策或循证医学相关产出
在Fact-Checking、Hallucination Detection、Red Teaming等方向有公开工作
AI 洞察
优缺点分析
优点
- 字节跳动平台资源丰富，数据与算力支持充足
- 医疗AI是高速增长赛道，社会价值高，个人成长空间大
- 团队技术氛围浓厚，可接触前沿的大模型与Agent技术
- 工作强度较大，需要快速迭代和持续学习
- 领域交叉复杂，需要同时理解算法与医学知识，学习曲线陡峭
- 真实世界医疗场景的可靠性和合规性要求高，问题解决难度大
- 适合对大模型技术充满热情，愿意深入医疗AI交叉领域，并能在高强度下独立解决问题的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术方向深入：成为大模型可靠性或医疗AI领域的专家
- 项目管理：逐步承担技术Lead，主导算法团队的关键模块
- 业务影响：将研究成果转化为产品，推动医疗AI落地，积累行业影响力
- 定义医疗AI大模型的能力框架，涵盖多模态理解、推理、记忆和工具调用
- 建设动态医学知识体系，确保知识的可更新、可追溯和可核验
- 设计评测体系，从真实交互中识别模型问题并驱动迭代
- 推动算法落地，与跨职能团队协作将能力嵌入产品系统
- 扎实的大模型算法基础，熟悉Agent、RAG、多模态或模型对齐之一
- 具备从方法设计到实验验证的完整执行能力，能分析错误并迭代
- 理解LLM的能力边界与常见失效模式，熟悉评测工具如LLM Harness
- 跨学科合作能力，能与医学、产品等角色有效沟通
申请策略
- 准备一个你主导的算法项目案例，详细说明从问题到方案、实验、迭代的过程
- 了解字节跳动小荷健康业务方向，思考如何将你的经验与医疗AI结合
- 突出大模型相关项目经验，尤其是Agent、RAG或多模态方向
- 展示从问题定义到落地收益的完整项目闭环
- 如有医疗AI或跨学科合作经历，重点强调
- 列出在AI会议（如NeurIPS、ACL）或医学期刊的论文成果
- 补充循证医学基础知识，了解GRADE、Systematic Review等
- 熟悉大模型可靠性评估方法，如Red Teaming、幻觉检测
面试指南
- 先明确问题范围（定义），再提出多种解决方案（方法设计），然后说明如何实验验证并迭代
- 结合具体案例展示系统思维：输入-处理-输出，关注边界和异常
- 强调数据驱动和可解释性：如何用信号指导改进
- 如何定义和评估大模型在医疗问答中的可靠性？
- 设计一个Agent系统来处理多轮健康管理对话，需要考虑哪些关键点？
- 如何处理大模型产生的幻觉？给出具体方法
- 如何构建一个可更新、可追溯的医学知识库？
- 从真实用户交互中识别模型问题，你会如何设计数据回流机制？
匹配度报告
76
综合匹配度
字节跳动大模型算法岗，前沿技术、高薪资、强发展，但工作强度大、WLB一般。
适合人群
最适合追求技术成长和高薪酬，能接受高强度工作、对医疗AI有使命感的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值80
薪资福利匹配
85较高
字节跳动提供有竞争力的薪酬和福利，但JD未明确列举，整体补偿性动机满足度高。
薪资信号偏高 (25K-50K/月)
成长发展匹配
90较高
岗位涉及大模型前沿技术，医疗AI是高速增长领域，成长空间大，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、多模态、LLM、可靠性
业务类型ambiguous
工作生活匹配
50较低
仅现场办公，字节工作强度通常较大，JD未提及WLB信息，生活化动机满足一般。
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
80较高
医疗AI直接改善患者健康，社会价值高，行业增长快，意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs