{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "通用基础模型研究员 - AI for Science",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "深圳、上海、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": "2027届获得博士学位",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、面向AI for Science领域，特别是AI for Materials领域，研发可跨科学任务、跨材料体系、跨数据模态和跨学科迁移的通用基础模型，探索科学数据统一表征、大规模预训练、材料性质预测与材料候选生成等技术；\n2、研究科学多模态学习、大语言模型、图与几何深度学习、生成模型、强化学习等前沿方向，提升模型的泛化能力、数据效率及可扩展性；\n3、面向不同材料体系、化学反应等科学对象，融合文献、模拟及实验中的多模态数据，构建统一学习与跨模态对齐方法；\n4、与机器学习、计算化学和材料高通量实验室等跨学科团队协作，开展原创性研究，产出具有行业影响力的算法、系统、专利及高水平学术成果。",
        "requirements_text": "1、2027届获得博士学位，计算机科学、人工智能、统计学、应用数学、计算化学、计算物理等相关专业优先；\n2、具备扎实的机器学习基础，深入理解深度学习及基础模型相关技术，在以下至少一个方向具备系统研究和成熟成果：大语言模型预训练与后训练、Agent、多模态学习、图与几何深度学习；\n3、具备优秀的研究能力和代表性成果，在NeurIPS、ICML、ICLR等机器学习会议，或Nature、Science及其子刊，以及相关领域权威期刊发表过高水平论文；\n4、熟悉大规模模型训练、数据工程或模型评测中的一项或多项，有科学基础模型、大语言模型、多模态模型或生成式模型的大规模训练经验，能够推动研究原型向稳定系统演进；\n5、具备较强的问题抽象与技术创新能力，能够从复杂科学问题中提炼可计算、可验证的机器学习问题；对AI for Science和通用智能驱动科学发现具有长期热情，具备攻克开放性难题的韧性，以及良好的跨学科沟通与团队协作能力；\n6、熟悉分子、材料、化学反应等一种或多种科学数据；在真实工业与科研场景中取得过有影响力的成果；具备模型与实验、计算模拟或科学数据库协同闭环的实践经验。",
        "skills": [AI生成
            "机器学习",
            "深度学习",
            "数据库",
            "模型训练",
            "团队协作",
            "大语言模型"
        ],
        "preferred_qualifications": "1、2027届获得博士学位，计算机科学、人工智能、统计学、应用数学、计算化学、计算物理等相关专业优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7672666057522235701/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7672666057522235701",
        "post_date": "2026-08-11",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7672666057522235701/detail"
    },
    "fulltext": "通用基础模型研究员 - AI for Science\n职位描述\n团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、面向AI for Science领域，特别是AI for Materials领域，研发可跨科学任务、跨材料体系、跨数据模态和跨学科迁移的通用基础模型，探索科学数据统一表征、大规模预训练、材料性质预测与材料候选生成等技术；\n2、研究科学多模态学习、大语言模型、图与几何深度学习、生成模型、强化学习等前沿方向，提升模型的泛化能力、数据效率及可扩展性；\n3、面向不同材料体系、化学反应等科学对象，融合文献、模拟及实验中的多模态数据，构建统一学习与跨模态对齐方法；\n4、与机器学习、计算化学和材料高通量实验室等跨学科团队协作，开展原创性研究，产出具有行业影响力的算法、系统、专利及高水平学术成果。\n\n职位要求\n1、2027届获得博士学位，计算机科学、人工智能、统计学、应用数学、计算化学、计算物理等相关专业优先；\n2、具备扎实的机器学习基础，深入理解深度学习及基础模型相关技术，在以下至少一个方向具备系统研究和成熟成果：大语言模型预训练与后训练、Agent、多模态学习、图与几何深度学习；\n3、具备优秀的研究能力和代表性成果，在NeurIPS、ICML、ICLR等机器学习会议，或Nature、Science及其子刊，以及相关领域权威期刊发表过高水平论文；\n4、熟悉大规模模型训练、数据工程或模型评测中的一项或多项，有科学基础模型、大语言模型、多模态模型或生成式模型的大规模训练经验，能够推动研究原型向稳定系统演进；\n5、具备较强的问题抽象与技术创新能力，能够从复杂科学问题中提炼可计算、可验证的机器学习问题；对AI for Science和通用智能驱动科学发现具有长期热情，具备攻克开放性难题的韧性，以及良好的跨学科沟通与团队协作能力；\n6、熟悉分子、材料、化学反应等一种或多种科学数据；在真实工业与科研场景中取得过有影响力的成果；具备模型与实验、计算模拟或科学数据库协同闭环的实践经验。\n团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、面向AI for Science领域，特别是AI for Materials领域，研发可跨科学任务、跨材料体系、跨数据模态和跨学科迁移的通用基础模型，探索科学数据统一表征、大规模预训练、材料性质预测与材料候选生成等技术；\n2、研究科学多模态学习、大语言模型、图与几何深度学习、生成模型、强化学习等前沿方向，提升模型的泛化能力、数据效率及可扩展性；\n3、面向不同材料体系、化学反应等科学对象，融合文献、模拟及实验中的多模态数据，构建统一学习与跨模态对齐方法；\n4、与机器学习、计算化学和材料高通量实验室等跨学科团队协作，开展原创性研究，产出具有行业影响力的算法、系统、专利及高水平学术成果。\n1、2027届获得博士学位，计算机科学、人工智能、统计学、应用数学、计算化学、计算物理等相关专业优先；\n2、具备扎实的机器学习基础，深入理解深度学习及基础模型相关技术，在以下至少一个方向具备系统研究和成熟成果：大语言模型预训练与后训练、Agent、多模态学习、图与几何深度学习；\n3、具备优秀的研究能力和代表性成果，在NeurIPS、ICML、ICLR等机器学习会议，或Nature、Science及其子刊，以及相关领域权威期刊发表过高水平论文；\n4、熟悉大规模模型训练、数据工程或模型评测中的一项或多项，有科学基础模型、大语言模型、多模态模型或生成式模型的大规模训练经验，能够推动研究原型向稳定系统演进；\n5、具备较强的问题抽象与技术创新能力，能够从复杂科学问题中提炼可计算、可验证的机器学习问题；对AI for Science和通用智能驱动科学发现具有长期热情，具备攻克开放性难题的韧性，以及良好的跨学科沟通与团队协作能力；\n6、熟悉分子、材料、化学反应等一种或多种科学数据；在真实工业与科研场景中取得过有影响力的成果；具备模型与实验、计算模拟或科学数据库协同闭环的实践经验。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}