字节跳动
推荐大模型算法工程师-国际电商
推荐大模型算法工程师-国际电商
发布于 大约 2 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
机器学习工程
Llm
Pytorch
多模态
强化学习
推荐系统
机器学习
模型训练
深度学习
生成式推荐
AI 估算 · 35k–60k
大模型算法工程师是当前热门岗位，字节薪资竞争力强，考虑到北京和岗位稀缺性，月薪较高。
职位详情
关于这个职位
该职位负责构建跨场景共享的推荐基础模型，推进生成式推荐范式，并推动LLM技术在推荐各环节的落地
求职者将参与模型训练、推理优化和系统设计，探索LLM/VLM与推荐系统的融合创新
适合对推荐系统和人工智能有热情、具备扎实机器学习背景的工程师
最低要求
扎实的机器学习、深度学习或信息检索理论基础
熟练掌握Python，精通主流深度学习框架（如PyTorch）
对推荐系统智能化充满热情，具备自我驱动的科研精神
工作职责
构建跨场景共享的推荐基础模型（Foundation Model），实现统一建模与高效推理
推进事件序列驱动的生成式推荐范式，融合多模态理解与生成能力
推动LLM技术在召回、排序、重混排环节的落地，参与模型训练、推理优化与系统设计
探索LLM、VLM与推荐系统融合的创新路径，构建自适应、可演化的推荐智能体
研究平衡性能与体验的端到端生成式推荐与系统优化方案
优先资格
有推荐系统研发或大模型训练经验，并在某一方向取得技术突破
在LLM、多模态学习、强化学习或生成式推荐方向有研究成果或论文发表
熟悉大语言模型（LLM）或基础模型（Foundation Model）的预训练（Pre-train）与后训练（Post-train）流程
AI 洞察
优缺点分析
优点
- 平台优势：字节跳动拥有海量用户和电商数据，能接触真实复杂场景
- 技术前沿：岗位聚焦大模型与推荐系统融合，处于行业创新前沿，技术含金量高
- 成长快速：公司技术氛围浓厚，能参与核心算法研发，积累大模型实战经验
- 技术难度高：需要同时掌握推荐系统和大模型，学习曲线陡峭
- 竞争激烈：团队内部技术牛人多，个人需要持续产出和突破
缺点 / 挑战
- 工作强度大：互联网大厂节奏快，可能需要加班和应对高压力项目
- 适合对推荐系统和大模型有强烈兴趣，喜欢挑战前沿技术，并且能承受高强度工作节奏的算法工程师
角色解读
- 从算法工程师向技术专家发展，深耕推荐+大模型方向，成为该领域的权威
- 可向技术管理方向转型，带领团队构建推荐基础模型和系统
- 大模型与推荐结合是行业热点，未来有广阔的职业空间和跨领域机会
- 负责构建跨场景共享的推荐基础模型，提升推荐系统的统一建模和推理效率
- 推动生成式推荐范式，融合多模态理解与生成能力，优化推荐效果
- 将LLM技术落地到召回、排序、重混排等环节，参与模型训练和推理优化
- 探索LLM/VLM与推荐系统融合，研发自适应、可演化的推荐智能体
- 扎实的机器学习、深度学习或信息检索理论基础，熟悉常用算法和模型
- 精通Python和主流深度学习框架（如PyTorch），具备模型开发与调优能力
- 了解LLM、VLM、多模态等前沿技术，有生成式推荐或强化学习经验更佳
- 具备较强的科研能力和自我驱动，能独立解决复杂技术问题
申请策略
- 准备1-2个深度项目复盘，清晰说明模型架构、训练过程、效果提升和思考
- 了解字节国际电商的业务场景，思考推荐算法与电商结合的痛点与机会
- 突出推荐系统或大模型相关的项目经历，尤其在模型设计、训练优化方面的成果
- 如有论文或比赛获奖，特别是LLM、多模态、生成式推荐方向，务必重点展示
- 强调Python编程能力和PyTorch框架的熟练度，以及实际调参经验
- 展示自我驱动的科研精神，例如独立完成的探索性项目或技术博客
- 补充大模型预训练和微调知识，了解Post-train流程，尝试运行开源LLM
- 复习推荐系统经典算法（如DeepFM、DIN、SIM）以及生成式推荐新方法
面试指南
- 项目类问题：用STAR法则，清晰说明背景、任务、行动和结果，突出自己的技术贡献
- 技术方案类问题：先分析问题定义，再提出候选方案，比较优缺点，最后给出合理选择，并说明可能的风险
- 前沿探索类问题：展现对已有工作的了解，提出有逻辑的假设，并给出验证方法
- 请介绍一个你参与过的推荐系统项目，如何设计模型和评估效果？
- 你对生成式推荐有什么理解？与传统推荐方法相比有哪些优势和挑战？
- 如何将LLM应用到推荐系统的召回或排序阶段？请给出你的方案思路
- 熟悉大模型预训练和微调吗？如果让你训练一个推荐基础模型，你会怎么做？
- 在模型推理性能优化方面，你有什么经验？
职位点评
67
综合评分
高薪技术前沿但工作强度大，适合发展动机强的候选人。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
该职位最适合重视技术成长、渴望接触前沿大模型与推荐系统、愿意为职业发展投入大量时间的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活40
使命价值60
薪资福利
70中等
该职位薪资水平未在JD中披露，但作为字节跳动的高端算法岗，通常提供有竞争力的薪酬和完整福利，不过具体方案需面议。
薪资信号未披露（AI估算：35K-60K/月）
成长发展
85较高
该职位涉及大模型和推荐系统的最前沿技术，能提供极佳的技术成长和科研探索机会，但JD未明确晋升路径。
技术前沿前沿/新兴技术
技术栈LLM、VLM、推荐系统、Python、PyTorch、深度学习、多模态、强化学习、生成式推荐
业务类型ambiguous
工作生活
40较低
职位要求北京现场办公，JD未提及任何灵活工作机制，互联网大厂算法岗通常工作强度较大，生活方式偏紧张。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
该职位服务于国际电商业务，通过推荐算法提升商业效率，具有直接商业价值，但社会影响力相对中性。
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
字节跳动 的其他在招职位
相似职位推荐
Watch Jobs