返回信息流字节前沿技术人才计划，offer上限高、需求大，【核心业务-抖音/红果】+【前沿技术】职业发展双保险，欢迎校友们投递～
岗位涵盖：推荐大模型/多模态大模型/Agentic应用 等前沿技术岗位
校招/实习/社招 均可。
招聘JD包含但不限于如下三个，可私信或者加微信咨询，微信号：lantan_ssxy
=======================================================
一、基于多模态大模型与用户行为理解的下一代分发与交互技术-抖音推荐技术（北京/上海/杭州/深圳）
职位描述
团队介绍：抖音推荐技术团队，负责抖音使用时长占比最高的推荐页的基础推荐算法，底层模型同时支持抖音其他重要业务场景。我们的工作涉及大规模推荐算法的优化、推荐大模型的应用、多模态大模型的落地探索等，对多种场景的推荐架构的设计和实现和对产品数据的复杂深入的分析工作。
课题介绍：本课题旨在探索基于多模态大模型的模态理解与表征、世界知识、推理等能力，并深度的与信息分发（推荐、搜索等）中的用户行为理解和建模结合起来，构建支撑下一代分发与交互技术的基础模型和系统范式。通过基础技术突破和探索，既尝试解决原有分发技术中对长尾兴趣分发、用户复杂意图理解、多模态与行为协同融合、System Bias、分发系统的算力与推理分配等一系列关键问题，也探索基于新的多模态大模型与用户对齐的理解，支持全新的可对话性需求满足、可自然交互性的分发调节与个性化等能力和产品形态上的突破。
课题挑战：
1、多模态大模型的完整流程的训练，以及与大规模用户行为深度理解和对齐；
2、突破多模态大模型与长序列高并发高效推理的瓶颈；
3、实现大模型泛化推理能力与复杂推荐业务目标的深度对齐。
课题价值：
1、打破信息茧房，提供个性化可解释推荐，提升长尾/冷启分发效率；
2、沉淀大模型Scaling Up范式，重塑大模型时代的下一代推荐系统；
3、探索全新的支持下一代交互场景的分发基础技术突破。
=======================================================
二、大模型驱动的内容生产与分发：IP跨体裁生成与LLM推荐-番茄（北京/上海/杭州/深圳）
职位描述
团队介绍：Data-番茄团队，负责字节跳动下番茄小说、红果短剧、番茄畅听、国际化短剧等产品的推荐算法和AI相关工作。我们的工作包括优化业界前沿的大规模推荐系统，探索LLM与推荐的结合，并落地生成式推荐范式，从小说、短剧、音频、音乐等内容方向建设完整的内容生态和AI能力，保持业务规模保持超高速增长。
课题介绍：番茄系聚合海量故事IP，今日头条拥有丰富内容形态，但生产与分发仍面临改编链路长、成本高，以及推荐过度依赖稀疏ID、对新内容/低活用户不友好等问题。本课题以多模态大模型为底座：在番茄通过LLM创作提效与结构化内容理解，构建IP资产并打通“小说→剧本→分镜→动态漫/短剧/音频”的生成与辅助创作；在小说、短剧、今日头条把内容理解信号融入推荐建模，提升兴趣捕捉与可解释分发，最终实现生产与分发协同提升。
1、大模型推荐和推荐Agent：引入LLM的推理能力，以Seed为基础训练大模型执行推荐任务的能力，推荐Token和自然语言Token联合训练实现模态融合，让推荐系统具备理解自然语言的能力，从而用推荐Agent方式实现更具扩展性的分发交互体验
2、突出强调利用大模型COT的推理能力，改进被动推荐效果
3、遵循用户的正向、负向指令的能力，彻底解决用户反馈中“Dislike不生效”、新用户兴趣探索、用户调控推荐画风等难题
4、在产品中提供和用户进行对话交互的能力，用户可根据自身需求调整推荐的效果
5、消息推送系统中嵌入大模型的用户-内容推理匹配能力，追求在内容零展、低展的情况下精准、快速的推送给用户，实现极高的推送时效性
6、构建基于大模型的推荐Agent能力，让大模型能和目前推荐系统业务策略和逻辑能更好的融合和调用。
课题挑战：
1、跨体裁一致性与可控生成；
2、结构化理解准确可复用；
3、模型落地成本/时延/轻量化；
4、LLM与内容的对齐、解码方案探索，包括纯文本方案或基于SID的方案；
5、LLM推荐指令COT数据集构建和个性化推荐推理能力的训练方法探索；
6、用户推荐正向、负向指令理解和线上执行能力探索；
7、推荐系统能力模块化&工具化，推荐Agent设计。
课题价值：
1、提效降本，提升IP产能与变现；
2、增强推荐效果与可解释性；
3、沉淀多模态通用底座；
4、探索基于LLM推理能力的推荐范式。
=============================================================
三、面向大模型与AI Agent的AI云原生基础设施关键技术研究-计算
职位描述
团队介绍：字节跳动基础设施计算团队，专注构建面向大模型与 AI Agent 时代的 AI-Native Infra。我们从算力、系统到平台，围绕“AI 如何高效运行、持续进化、规模化落地”这一核心问题，重构计算基础设施。我们管理着数十万台服务器组成的超大规模集群，构建统一的异构算力调度与云原生运行体系；通过软硬协同与自研框架，持续突破大模型训练与推理的性能瓶颈；并进一步向上，打造企业级 AI Agent Infra，让 Agent 具备身份、权限、记忆、观测与治理能力，真正成为可运行在生产环境中的新型“应用形态”。
从云服务器、容器、函数，到 AI 网关、可观测与弹性体系，我们构建的是一个为 AI 而生、由 AI 驱动进化的基础设施平台，支撑集团核心业务与企业级客户的智能化升级。
如果你希望参与定义 AI 时代的 Infra 范式，而不仅是优化一个模块或服务——欢迎加入我们，一起构建下一代 AI 云原生基础设施。
课题介绍：
随着大语言模型与AI Agent规模化落地，传统云原生基础设施已难以适配AI负载的极致性能与弹性需求。本课题围绕AI基础设施全栈展开系统性研究：
1、网络与可观测：研究大规模AI集群故障智能定位与根因分析，结合时序数据库智能调优，提升集群稳定性；
2、存储系统：研发AI场景专属的Serverless高性能弹性文件系统与存储加速架构，探索DPU软硬件协同优化，突破AI存储性能瓶颈；
3、算力调度：研究GPU/CPU/MEM异构协同调度技术，面向AI Agent构建Serverless异构算力编排系统，解决负载异构、状态依赖等调度难题；
4、向量检索：优化面向大模型应用的向量检索核心技术，打造云原生分布式向量索引引擎，满足超大规模向量检索的低延迟、低成本需求；
5、智能化与Agent架构：探索基于AI Agent工作流的基础设施自动寻优，构建可自主进化的业务Agent框架，通过AI for Infra赋能全栈智能优化；
本课题旨在构建支撑大模型与AI Agent落地的下一代AI原生基础设施，提升资源利用率、降低成本、支撑弹性扩展，推动AI基础设施技术演进。
课题挑战：
1、全栈协同挑战：覆盖多技术领域，需要从端到端视角实现系统性优化，避免单点优化收益不足；
2、性能成本平衡：AI场景对性能提出极致要求，需要在吞吐、延迟、规模与成本之间找到最优平衡点；
3、云原生适配：需要将传统单机技术方案重构为适配云原生分布式架构，解决扩缩容、容错、调度等新问题；
4、AI系统融合：既需要用AI赋能基础设施优化，又需要基础设施原生适配AI负载，深度融合对技术整合要求高；
5、Agent稳定性：自主进化Agent框架需要解决经验学习、知识一致性、持续安全进化等基础问题，工程化难度大；
6、研发生态平衡：需要平衡前沿理论创新与工程落地，兼顾技术突破与现有业务生态适配。
课题价值：
1、构建大模型/RAG 场景的高性能基础设施底座，支撑大规模向量数据高效检索；
2、优化AI业务存储成本结构与运维复杂度；
3、提升异构算力资源配置效率与技术复用性。
这是一条镜像帖。来源：北邮人论坛 / job-info / #979918同步于 2026/4/29
JobInfo机器人发帖
【校招/实习】推荐大模型/多模态/Agent 抖音/红果 前沿人才计划
sammolly
2026/4/29镜像同步0 回复
订阅后，新回复会通过你的通知中心匿名送达。
0 条回复
暂无回复 · 你可以订阅本帖等待新回复。