主分类：搜索推荐与业务决策算法研发
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": "多模态大模型算法工程师 - TikTok算法",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京、上海",
"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": "2027届获得硕士及以上学位",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与国际化短视频生活服务推荐系统的大模型方案设计与架构创新，推动推荐系统范式向生成式方向升级；\n2、负责构建可扩展的推荐大模型（如LargeRecModel、OneRec等），涵盖生成式召回、生成式预估、生成式排序等核心模块；\n3、针对推荐场景中的长序列、多跳兴趣建模问题，设计和实现具备Scaling能力的Transformer模型；\n4、参与推荐大模型与基础Infra系统的深度协同优化，提升推理效率与推荐精度；\n5、深入分析业务数据，理解用户行为和兴趣演化过程，结合生成式技术实现更具解释性和泛化能力的推荐系统；\n6、持续关注前沿技术发展方向，参与推荐系统架构的长期技术演进和技术攻坚。",
"requirements_text": "1、2027届获得硕士及以上学位，计算机等相关专业优先；\n2、扎实的CV/NLP/多模态建模背景，具备主导或核心参与复杂内容理解系统研发经验；有跨模态对齐、跨语言理解、多语种Embedding等项目经验者优先；\n3、熟悉Transformer、SIGLIP、Qwen-VL模型等主流多模态架构，有大规模训练和部署经验；\n4、熟悉主流推荐系统架构，了解推荐内容建模与行为建模的结合方式；\n5、在CVPR、ACL、EMNLP、NeurIPS、ICLR等会议有论文发表者优先；有强烈的技术热情和团队协作能力，能在复杂系统中快速定位问题并提出解决方案。",
"skills": [AI生成
"自然语言处理",
"系统架构",
"团队协作",
"建模"
],
"preferred_qualifications": "1、2027届获得硕士及以上学位，计算机等相关专业优先；有跨模态对齐、跨语言理解、多语种Embedding等项目经验者优先；5、在CVPR、ACL、EMNLP、NeurIPS、ICLR等会议有论文发表者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7668281405810460981/detail"
}
]
},
"posting": {
"posting_id": "7668281405810460981",
"post_date": "2026-07-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7668281405810460981/detail"
},
"fulltext": "多模态大模型算法工程师 - TikTok算法\n职位描述\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与国际化短视频生活服务推荐系统的大模型方案设计与架构创新，推动推荐系统范式向生成式方向升级；\n2、负责构建可扩展的推荐大模型（如LargeRecModel、OneRec等），涵盖生成式召回、生成式预估、生成式排序等核心模块；\n3、针对推荐场景中的长序列、多跳兴趣建模问题，设计和实现具备Scaling能力的Transformer模型；\n4、参与推荐大模型与基础Infra系统的深度协同优化，提升推理效率与推荐精度；\n5、深入分析业务数据，理解用户行为和兴趣演化过程，结合生成式技术实现更具解释性和泛化能力的推荐系统；\n6、持续关注前沿技术发展方向，参与推荐系统架构的长期技术演进和技术攻坚。\n\n职位要求\n1、2027届获得硕士及以上学位，计算机等相关专业优先；\n2、扎实的CV/NLP/多模态建模背景，具备主导或核心参与复杂内容理解系统研发经验；有跨模态对齐、跨语言理解、多语种Embedding等项目经验者优先；\n3、熟悉Transformer、SIGLIP、Qwen-VL模型等主流多模态架构，有大规模训练和部署经验；\n4、熟悉主流推荐系统架构，了解推荐内容建模与行为建模的结合方式；\n5、在CVPR、ACL、EMNLP、NeurIPS、ICLR等会议有论文发表者优先；有强烈的技术热情和团队协作能力，能在复杂系统中快速定位问题并提出解决方案。\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与国际化短视频生活服务推荐系统的大模型方案设计与架构创新，推动推荐系统范式向生成式方向升级；\n2、负责构建可扩展的推荐大模型（如LargeRecModel、OneRec等），涵盖生成式召回、生成式预估、生成式排序等核心模块；\n3、针对推荐场景中的长序列、多跳兴趣建模问题，设计和实现具备Scaling能力的Transformer模型；\n4、参与推荐大模型与基础Infra系统的深度协同优化，提升推理效率与推荐精度；\n5、深入分析业务数据，理解用户行为和兴趣演化过程，结合生成式技术实现更具解释性和泛化能力的推荐系统；\n6、持续关注前沿技术发展方向，参与推荐系统架构的长期技术演进和技术攻坚。\n1、2027届获得硕士及以上学位，计算机等相关专业优先；\n2、扎实的CV/NLP/多模态建模背景，具备主导或核心参与复杂内容理解系统研发经验；有跨模态对齐、跨语言理解、多语种Embedding等项目经验者优先；\n3、熟悉Transformer、SIGLIP、Qwen-VL模型等主流多模态架构，有大规模训练和部署经验；\n4、熟悉主流推荐系统架构，了解推荐内容建模与行为建模的结合方式；\n5、在CVPR、ACL、EMNLP、NeurIPS、ICLR等会议有论文发表者优先；有强烈的技术热情和团队协作能力，能在复杂系统中快速定位问题并提出解决方案。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}