主分类：AI训练推理与计算优化
辅助：搜索推荐与业务决策算法研发（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": "基于大系统大算力的超大规模推荐模型建模（AI Infra） - Data AML",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京、上海、杭州",
"work_mode": "未披露",AI生成
"job_category": "机器学习"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": "获得博士学位",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。\n\n课题介绍：\n大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，期望进一步通过算法与工程Co-design，探索推荐算法和大语言模型/多模态理解的深度融合主要研究方向包括：LLM4Rec、跨端跨场景的Foundation Model、千亿级参数规模的模型 和 多模态大模型。工程上研究方向包括多模态样本的高效表征、基于PyTorch架构的高性能推理引擎与训练框架构建，以及异构硬件在推荐场景下的性能极限优化；算法侧研究方向包括LLM4Rec技术路径的设计、千亿级底座模型的研发以及多模态协同训练（Co-training）等核心课题，旨在通过技术创新定义下一代工业级推荐范式。\n\n课题挑战：\n1、千亿模型的训练和推理优化；\n2、多模态表征统一与高效融合难度大；\n3、Foundation Model的设计和工程优化；\n4、算法工程协同设计与异构硬件适配复杂。\n\n课题价值：\n1、技术价值：突破多模态表征融合、超大规模模型训练推理瓶颈，完善算法与工程协同设计体系，推动异构硬件适配与高性能框架国产化落地；\n2、业务价值：提升推荐精准度与泛化能力，突破现有推荐系统模态局限，赋能短视频、文本社区等多产品，降低算力成本，助力业务规模化增长。",
"requirements_text": "1、2027届毕业，获得博士学位，计算机、软件工程等相关专业优先；\n2、熟练掌握Linux环境下的C/C++/Go/Python/Java等1至2种以上语言；\n3、掌握分布式系统原理，参与过分布式系统的设计、开发和维护；\n4、有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分，良好的团队合作精神；\n5、有强烈的工作责任心，较好的学习能力、沟通能力和自驱力；\n6、有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。\n\n加分项：\n1、熟悉Kubernetes架构，有丰富的云原生系统开发经验；\n2、熟悉至少一种主流的机器学习框架（TensorFlow/PyTorch/MXNet）；\n3、熟悉Django、Flask等相关技术，有其后端开发经验；\n4、有以下某一方向领域的经验：AI Infrastructure，HW/SW Co-Design，High Performance Computing，ML Hardware Architecture（GPU，Accelerators，Networking），Machine Learning Frameworks，ML for System，Distributed Storage；\n5、有云计算平台或私有云产品架构开发经验。",
"skills": [AI生成
"Python",
"Java",
"C++",
"Linux",
"Kubernetes",
"PyTorch",
"TensorFlow",
"Django",
"机器学习",
"分布式系统",
"团队协作",
"沟通能力",
"学习能力",
"分析能力",
"Go"
],
"preferred_qualifications": "1、2027届毕业，获得博士学位，计算机、软件工程等相关专业优先；加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7629333144656693509/detail"
}
]
},
"posting": {
"posting_id": "7629333144656693509",
"post_date": "2026-04-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7629333144656693509/detail"
},
"fulltext": "基于大系统大算力的超大规模推荐模型建模（AI Infra） - Data AML\n职位描述\n团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。\n\n课题介绍：\n大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，期望进一步通过算法与工程Co-design，探索推荐算法和大语言模型/多模态理解的深度融合主要研究方向包括：LLM4Rec、跨端跨场景的Foundation Model、千亿级参数规模的模型 和 多模态大模型。工程上研究方向包括多模态样本的高效表征、基于PyTorch架构的高性能推理引擎与训练框架构建，以及异构硬件在推荐场景下的性能极限优化；算法侧研究方向包括LLM4Rec技术路径的设计、千亿级底座模型的研发以及多模态协同训练（Co-training）等核心课题，旨在通过技术创新定义下一代工业级推荐范式。\n\n课题挑战：\n1、千亿模型的训练和推理优化；\n2、多模态表征统一与高效融合难度大；\n3、Foundation Model的设计和工程优化；\n4、算法工程协同设计与异构硬件适配复杂。\n\n课题价值：\n1、技术价值：突破多模态表征融合、超大规模模型训练推理瓶颈，完善算法与工程协同设计体系，推动异构硬件适配与高性能框架国产化落地；\n2、业务价值：提升推荐精准度与泛化能力，突破现有推荐系统模态局限，赋能短视频、文本社区等多产品，降低算力成本，助力业务规模化增长。\n\n职位要求\n1、2027届毕业，获得博士学位，计算机、软件工程等相关专业优先；\n2、熟练掌握Linux环境下的C/C++/Go/Python/Java等1至2种以上语言；\n3、掌握分布式系统原理，参与过分布式系统的设计、开发和维护；\n4、有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分，良好的团队合作精神；\n5、有强烈的工作责任心，较好的学习能力、沟通能力和自驱力；\n6、有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。\n\n加分项：\n1、熟悉Kubernetes架构，有丰富的云原生系统开发经验；\n2、熟悉至少一种主流的机器学习框架（TensorFlow/PyTorch/MXNet）；\n3、熟悉Django、Flask等相关技术，有其后端开发经验；\n4、有以下某一方向领域的经验：AI Infrastructure，HW/SW Co-Design，High Performance Computing，ML Hardware Architecture（GPU，Accelerators，Networking），Machine Learning Frameworks，ML for System，Distributed Storage；\n5、有云计算平台或私有云产品架构开发经验。\n团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。\n\n课题介绍：\n大规模推荐系统正在越来越多的应用到短视频、文本社区、图像等产品上，期望进一步通过算法与工程Co-design，探索推荐算法和大语言模型/多模态理解的深度融合主要研究方向包括：LLM4Rec、跨端跨场景的Foundation Model、千亿级参数规模的模型 和 多模态大模型。工程上研究方向包括多模态样本的高效表征、基于PyTorch架构的高性能推理引擎与训练框架构建，以及异构硬件在推荐场景下的性能极限优化；算法侧研究方向包括LLM4Rec技术路径的设计、千亿级底座模型的研发以及多模态协同训练（Co-training）等核心课题，旨在通过技术创新定义下一代工业级推荐范式。\n\n课题挑战：\n1、千亿模型的训练和推理优化；\n2、多模态表征统一与高效融合难度大；\n3、Foundation Model的设计和工程优化；\n4、算法工程协同设计与异构硬件适配复杂。\n\n课题价值：\n1、技术价值：突破多模态表征融合、超大规模模型训练推理瓶颈，完善算法与工程协同设计体系，推动异构硬件适配与高性能框架国产化落地；\n2、业务价值：提升推荐精准度与泛化能力，突破现有推荐系统模态局限，赋能短视频、文本社区等多产品，降低算力成本，助力业务规模化增长。\n1、2027届毕业，获得博士学位，计算机、软件工程等相关专业优先；\n2、熟练掌握Linux环境下的C/C++/Go/Python/Java等1至2种以上语言；\n3、掌握分布式系统原理，参与过分布式系统的设计、开发和维护；\n4、有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分，良好的团队合作精神；\n5、有强烈的工作责任心，较好的学习能力、沟通能力和自驱力；\n6、有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档。\n\n加分项：\n1、熟悉Kubernetes架构，有丰富的云原生系统开发经验；\n2、熟悉至少一种主流的机器学习框架（TensorFlow/PyTorch/MXNet）；\n3、熟悉Django、Flask等相关技术，有其后端开发经验；\n4、有以下某一方向领域的经验：AI Infrastructure，HW/SW Co-Design，High Performance Computing，ML Hardware Architecture（GPU，Accelerators，Networking），Machine Learning Frameworks，ML for System，Distributed Storage；\n5、有云计算平台或私有云产品架构开发经验。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T011"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}