{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI大模型算法工程师（LLM/Agent/RL）-集团信息系统",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "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": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、探索下一代Agent：研究Agent在复杂长程任务（Long-horizon Tasks）中的能力边界；探索Planning、Memory、Tool Use、Multi-Agent、Proactive Agent等方向；构建面向真实生产环境的大规模Agent系统；\n2、大模型后训练（Post-training）：基于SFT、Preference Learning、RL（GRPO、PPO等）持续提升模型能力；构建Agent Reward、自动评测体系和训练数据闭环；探索Long Context、Reasoning、Tool Calling等能力优化；\n3、AI原生产品算法研发：将LLM技术应用于企业服务场景；探索用户理解、长期记忆、行为建模、个性化等方向；持续提升AI产品的智能化体验；\n4、端侧模型与推理优化：探索VLM、LLM在移动端、端侧设备上的部署与优化；持续优化模型推理效率、延迟、成本和用户体验；研究模型压缩、量化、蒸馏等技术。",
        "requirements_text": "1、扎实的机器学习、深度学习基础；\n2、熟悉Transformer、Attention、MoE等主流模型结构；\n3、理解LLM的训练流程，包括Pre-training、SFT、RLHF/Post-training；\n4、熟悉Python，具备良好的工程能力和代码质量意识；\n5、能快速阅读论文并复现最新工作。\n\n加分项（有以下任一经验即可）：\n1、LLM后训练（SFT、DPO、RL、GRPO等）；\n2、Agent/Tool Use/MCP/Multi-Agent；\n3、训练或推理系统（Megatron、DeepSpeed、vLLM、SGLang等）；\n4、端侧模型部署（MLX、MNN、TensorRT、ONNX、CoreML等）；\n5、参与过开源模型训练或发表相关论文。",
        "skills": [AI生成
            "Python",
            "机器学习",
            "深度学习",
            "模型训练"
        ],
        "preferred_qualifications": "加分项（有以下任一经验即可）：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/experienced/position/7672386392661756165/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7672386392661756165",
        "post_date": "2026-08-10",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/experienced/position/7672386392661756165/detail"
    },
    "fulltext": "AI大模型算法工程师（LLM/Agent/RL）-集团信息系统\n职位描述\n1、探索下一代Agent：研究Agent在复杂长程任务（Long-horizon Tasks）中的能力边界；探索Planning、Memory、Tool Use、Multi-Agent、Proactive Agent等方向；构建面向真实生产环境的大规模Agent系统；\n2、大模型后训练（Post-training）：基于SFT、Preference Learning、RL（GRPO、PPO等）持续提升模型能力；构建Agent Reward、自动评测体系和训练数据闭环；探索Long Context、Reasoning、Tool Calling等能力优化；\n3、AI原生产品算法研发：将LLM技术应用于企业服务场景；探索用户理解、长期记忆、行为建模、个性化等方向；持续提升AI产品的智能化体验；\n4、端侧模型与推理优化：探索VLM、LLM在移动端、端侧设备上的部署与优化；持续优化模型推理效率、延迟、成本和用户体验；研究模型压缩、量化、蒸馏等技术。\n\n职位要求\n1、扎实的机器学习、深度学习基础；\n2、熟悉Transformer、Attention、MoE等主流模型结构；\n3、理解LLM的训练流程，包括Pre-training、SFT、RLHF/Post-training；\n4、熟悉Python，具备良好的工程能力和代码质量意识；\n5、能快速阅读论文并复现最新工作。\n\n加分项（有以下任一经验即可）：\n1、LLM后训练（SFT、DPO、RL、GRPO等）；\n2、Agent/Tool Use/MCP/Multi-Agent；\n3、训练或推理系统（Megatron、DeepSpeed、vLLM、SGLang等）；\n4、端侧模型部署（MLX、MNN、TensorRT、ONNX、CoreML等）；\n5、参与过开源模型训练或发表相关论文。\n1、探索下一代Agent：研究Agent在复杂长程任务（Long-horizon Tasks）中的能力边界；探索Planning、Memory、Tool Use、Multi-Agent、Proactive Agent等方向；构建面向真实生产环境的大规模Agent系统；\n2、大模型后训练（Post-training）：基于SFT、Preference Learning、RL（GRPO、PPO等）持续提升模型能力；构建Agent Reward、自动评测体系和训练数据闭环；探索Long Context、Reasoning、Tool Calling等能力优化；\n3、AI原生产品算法研发：将LLM技术应用于企业服务场景；探索用户理解、长期记忆、行为建模、个性化等方向；持续提升AI产品的智能化体验；\n4、端侧模型与推理优化：探索VLM、LLM在移动端、端侧设备上的部署与优化；持续优化模型推理效率、延迟、成本和用户体验；研究模型压缩、量化、蒸馏等技术。\n1、扎实的机器学习、深度学习基础；\n2、熟悉Transformer、Attention、MoE等主流模型结构；\n3、理解LLM的训练流程，包括Pre-training、SFT、RLHF/Post-training；\n4、熟悉Python，具备良好的工程能力和代码质量意识；\n5、能快速阅读论文并复现最新工作。\n\n加分项（有以下任一经验即可）：\n1、LLM后训练（SFT、DPO、RL、GRPO等）；\n2、Agent/Tool Use/MCP/Multi-Agent；\n3、训练或推理系统（Megatron、DeepSpeed、vLLM、SGLang等）；\n4、端侧模型部署（MLX、MNN、TensorRT、ONNX、CoreML等）；\n5、参与过开源模型训练或发表相关论文。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [
            "T009"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}