主分类：大模型与生成式算法研发
辅助：Agent系统开发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "【实习】大模型赋能交易与商业场景的技术创新及落地实践研究-商业信任与安全（北京/上海）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "博士在读",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：商业化信任与安全研发团队致力于构建业界领先的智能审核系统，通过前沿 AI 技术保障商业内容安全与合规，提升用户客户的信任。团队通过研发大模型基座、先进的审核大模型和审核系统，持续提升大模型系统对复杂商业化内容的理解、让准确理解遵循安全规则、基于规则深度推理并拉齐人与机器之间的认知，并能感知发现潜在问题，并用Agent高效处理审核问题、自动迭代审核系统，为商业内容安全提供全链路、智能化的技术支撑。\n\n课题介绍：本课题围绕商业、广告、交易等技术场景，以大型语言模型（LLM）、视觉语言模型（VLM）、智能体（Agent）、强化学习、多模态生成等前沿技术为核心支撑，重点聚焦搜索、广告、推荐、电商、生活服务、广告营销、内容生产等关键业务场景，针对性破解传统技术体系存在的瓶颈问题。课题的核心研究目标为：借鉴大模型规模法则（Scaling Law）与生成式人工智能技术思路，深入探索技术与商业业务的深度融合路径，构建适配各垂直商业场景的智能模型及系统架构。同时，着力解决技术落地过程中的效率优化、场景适配、合规管控等关键问题，助力业务规模增长、运营效能提升与用户体验优化，推动商业场景数字化、智能化转型进程。\n\n课题挑战：\n1、技术适配性：通用LLM与MLLM在垂直商业交易场景存在领域知识薄弱、工具调用不足、语义对齐偏差等问题，需突破多模态协同、时空建模、低标注学习及搜广推融合技术；\n2、效率与性能：大模型时延高、耗算力、吞吐低，难以满足高并发低延迟交易与搜广推需求，需通过轻量化、量化、分布式推理等优化性能与成本；\n3、决策与规划：复杂商业决策对长周期建模、多目标优化、自适应要求高，AIGC与Agent易产生幻觉、决策偏差与因果缺失，需强化可信推理与风险约束；\n4、落地与合规：需解决系统集成、数据质量、内容可控、隐私安全与监管合规问题，保障大模型规模化稳定、安全、合规落地。\n\n课题价值：\n1、理论价值：探索大模型在多商业场景的Scaling Law可行性，完善推荐大模型、Agent决策、多模态融合等技术体系，丰富AI在商业领域的应用理论；\n2、实践价值：破解各商业场景核心痛点，如提升推荐转化、广告ROI、内容生产效率、客服质量等；降低人工成本，实现商业流程自动化；推动搜广推、电商、广告等领域的技术范式革新，支撑业务规模化增长，同时优化用户体验与商家服务能力，构建可持续的商业生态。",
"requirements_text": "1、2027届及以后毕业，博士在读，人工智能、计算机、数学相关专业者优先；\n2、具备扎实的编码能力、数据结构和基础算法功底，熟练运用各种算法框架与工程框架；\n3、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n4、拥有扎实的机器学习基础，在深度学习、强化学习、NLP、多模态方向有深入的理解与研究经历；\n5、具备良好的沟通协作能力，能够与团队共同探索新技术，推动技术发展。",
"skills": [AI生成
"机器学习",
"深度学习",
"强化学习",
"自然语言处理",
"数据结构"
],
"preferred_qualifications": "1、2027届及以后毕业，博士在读，人工智能、计算机、数学相关专业者优先；3、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7628603065965332789/detail"
}
]
},
"posting": {
"posting_id": "7628603065965332789",
"post_date": "2026-04-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7628603065965332789/detail"
},
"fulltext": "【实习】大模型赋能交易与商业场景的技术创新及落地实践研究-商业信任与安全（北京/上海）\n职位描述\n团队介绍：商业化信任与安全研发团队致力于构建业界领先的智能审核系统，通过前沿 AI 技术保障商业内容安全与合规，提升用户客户的信任。团队通过研发大模型基座、先进的审核大模型和审核系统，持续提升大模型系统对复杂商业化内容的理解、让准确理解遵循安全规则、基于规则深度推理并拉齐人与机器之间的认知，并能感知发现潜在问题，并用Agent高效处理审核问题、自动迭代审核系统，为商业内容安全提供全链路、智能化的技术支撑。\n\n课题介绍：本课题围绕商业、广告、交易等技术场景，以大型语言模型（LLM）、视觉语言模型（VLM）、智能体（Agent）、强化学习、多模态生成等前沿技术为核心支撑，重点聚焦搜索、广告、推荐、电商、生活服务、广告营销、内容生产等关键业务场景，针对性破解传统技术体系存在的瓶颈问题。课题的核心研究目标为：借鉴大模型规模法则（Scaling Law）与生成式人工智能技术思路，深入探索技术与商业业务的深度融合路径，构建适配各垂直商业场景的智能模型及系统架构。同时，着力解决技术落地过程中的效率优化、场景适配、合规管控等关键问题，助力业务规模增长、运营效能提升与用户体验优化，推动商业场景数字化、智能化转型进程。\n\n课题挑战：\n1、技术适配性：通用LLM与MLLM在垂直商业交易场景存在领域知识薄弱、工具调用不足、语义对齐偏差等问题，需突破多模态协同、时空建模、低标注学习及搜广推融合技术；\n2、效率与性能：大模型时延高、耗算力、吞吐低，难以满足高并发低延迟交易与搜广推需求，需通过轻量化、量化、分布式推理等优化性能与成本；\n3、决策与规划：复杂商业决策对长周期建模、多目标优化、自适应要求高，AIGC与Agent易产生幻觉、决策偏差与因果缺失，需强化可信推理与风险约束；\n4、落地与合规：需解决系统集成、数据质量、内容可控、隐私安全与监管合规问题，保障大模型规模化稳定、安全、合规落地。\n\n课题价值：\n1、理论价值：探索大模型在多商业场景的Scaling Law可行性，完善推荐大模型、Agent决策、多模态融合等技术体系，丰富AI在商业领域的应用理论；\n2、实践价值：破解各商业场景核心痛点，如提升推荐转化、广告ROI、内容生产效率、客服质量等；降低人工成本，实现商业流程自动化；推动搜广推、电商、广告等领域的技术范式革新，支撑业务规模化增长，同时优化用户体验与商家服务能力，构建可持续的商业生态。\n\n职位要求\n1、2027届及以后毕业，博士在读，人工智能、计算机、数学相关专业者优先；\n2、具备扎实的编码能力、数据结构和基础算法功底，熟练运用各种算法框架与工程框架；\n3、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n4、拥有扎实的机器学习基础，在深度学习、强化学习、NLP、多模态方向有深入的理解与研究经历；\n5、具备良好的沟通协作能力，能够与团队共同探索新技术，推动技术发展。\n团队介绍：商业化信任与安全研发团队致力于构建业界领先的智能审核系统，通过前沿 AI 技术保障商业内容安全与合规，提升用户客户的信任。团队通过研发大模型基座、先进的审核大模型和审核系统，持续提升大模型系统对复杂商业化内容的理解、让准确理解遵循安全规则、基于规则深度推理并拉齐人与机器之间的认知，并能感知发现潜在问题，并用Agent高效处理审核问题、自动迭代审核系统，为商业内容安全提供全链路、智能化的技术支撑。\n\n课题介绍：本课题围绕商业、广告、交易等技术场景，以大型语言模型（LLM）、视觉语言模型（VLM）、智能体（Agent）、强化学习、多模态生成等前沿技术为核心支撑，重点聚焦搜索、广告、推荐、电商、生活服务、广告营销、内容生产等关键业务场景，针对性破解传统技术体系存在的瓶颈问题。课题的核心研究目标为：借鉴大模型规模法则（Scaling Law）与生成式人工智能技术思路，深入探索技术与商业业务的深度融合路径，构建适配各垂直商业场景的智能模型及系统架构。同时，着力解决技术落地过程中的效率优化、场景适配、合规管控等关键问题，助力业务规模增长、运营效能提升与用户体验优化，推动商业场景数字化、智能化转型进程。\n\n课题挑战：\n1、技术适配性：通用LLM与MLLM在垂直商业交易场景存在领域知识薄弱、工具调用不足、语义对齐偏差等问题，需突破多模态协同、时空建模、低标注学习及搜广推融合技术；\n2、效率与性能：大模型时延高、耗算力、吞吐低，难以满足高并发低延迟交易与搜广推需求，需通过轻量化、量化、分布式推理等优化性能与成本；\n3、决策与规划：复杂商业决策对长周期建模、多目标优化、自适应要求高，AIGC与Agent易产生幻觉、决策偏差与因果缺失，需强化可信推理与风险约束；\n4、落地与合规：需解决系统集成、数据质量、内容可控、隐私安全与监管合规问题，保障大模型规模化稳定、安全、合规落地。\n\n课题价值：\n1、理论价值：探索大模型在多商业场景的Scaling Law可行性，完善推荐大模型、Agent决策、多模态融合等技术体系，丰富AI在商业领域的应用理论；\n2、实践价值：破解各商业场景核心痛点，如提升推荐转化、广告ROI、内容生产效率、客服质量等；降低人工成本，实现商业流程自动化；推动搜广推、电商、广告等领域的技术范式革新，支撑业务规模化增长，同时优化用户体验与商家服务能力，构建可持续的商业生态。\n1、2027届及以后毕业，博士在读，人工智能、计算机、数学相关专业者优先；\n2、具备扎实的编码能力、数据结构和基础算法功底，熟练运用各种算法框架与工程框架；\n3、在国际会议或期刊发表论文者（包括但不限于ACL、EMNLP、NeurIPS、ICML、ICLR、CVPR等）优先；\n4、拥有扎实的机器学习基础，在深度学习、强化学习、NLP、多模态方向有深入的理解与研究经历；\n5、具备良好的沟通协作能力，能够与团队共同探索新技术，推动技术发展。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}