官网职位描述
团队介绍:豆包输入法是字节跳动旗下的新一代 AI 输入法,面向全平台构建大模型智能输入系统,定位“高效输入,享受输出”。产品基于自研 AI 大模型实现高精度的语音识别、多场景智能联想、越用越准的键盘输入,为用户提供高效和安全的输入体验。 团队汇聚算法、研发、产品、设计等全方位人才,是一支高速成长、创新驱动的 AI 产品团队,同时兼具底层工程深耕与大模型应用落地经验,直面海量用户真实输入场景。我们鼓励技术创新、重视用户体验,欢迎热爱输入法、看好语音和 AI 交互入口的伙伴加入,一起重构 AI 时代的输入方式。 1、推荐排序模型优化; 1)面向输入法海量真实输入场景,应用机器学习、自然语言处理、语音等技术处理数据,挖掘用户行为关联、分析特征并构建模型,负责多路召回及粗排、精排、重排全链路算法的研发与迭代,持续提升候选上屏准确率与输入效率; 2)覆盖键盘输入候选(拼音、智能联想、长句补全、纠错、简拼、手写、五笔等)与语音识别多候选(N-best)的联合排序,结合文本上下文与端侧约束优化最终上屏候选; 3)针对输入法弱反馈(上屏、修改、删除)、隐式偏好、跨端个性化与新用户冷启动等特点,研究listwise排序、多目标建模、未观测样本处理、行为序列建模等方法,定位算法优化空间,推动核心指标提升; 4)在端侧固定算力与低延迟约束下,开展模型压缩、单主干多任务扩容与特征交叉筛选,平衡模型效果与端上性能; 2、大模型后训练与语音、拼写、手写优化; 1)负责输入法、多模态等垂直领域大模型的后训练算法研究与开发,包括SFT(监督微调)、DPO(直接偏好优化)、RL(强化学习)、KD(蒸馏),以及LoRA、QLoRA、Adapter Tuning等参数高效微调技术,优化模型训练流程与泛化能力,在保证效果的同时降低训练与部署成本; 2)搭建垂直大模型的数据Infra与训练管线:模型架构设计、数据Schema抽象、用户行为挖掘、模型训练与评估,探索数据构建与Scaling Law优化方向,实践大size模型蒸馏高性能端侧模型、Middle train+Post train+Decay等训练范式; 3)与产品、运营、研发、设计团队紧密协作,从需求分析到方案设计全程参与,推动模型能力与业务场景深度融合,形成技术到价值的完整闭环,跟踪搜索、广告、推荐及大模型领域前沿技术与行业动态,评估新技术可行性并推动成果落地。
职位要求
- 计算机科学、人工智能、机器学习、自然语言处理等相关专业本科及以上学历,具备3年以上机器学习或深度学习领域研发经验;
- 具备以下任一侧扎实经验,两者兼具者优先; 1)搜索/推荐/广告方向:熟悉多路召回、排序、重排等关键技术,有排序模型、多任务建模、行为序列建模经验; 2)大模型后训练方向:精通SFT、DPO、RL、KD等算法原理,有模型训练与调优经验,熟悉PyTorch、Hugging Face Transformers等主流框架;
- 对拼写、联想、手写、语音、多模态等垂直输入场景有深入理解或强烈兴趣,具备良好的代码规范与工程实践能力,了解基础MLOps理念与工具(模型版本控制、关键指标监控、A/B测试及服务回滚策略);
- 团队主要技术方向; 1)大模型侧:大Size模型蒸馏高性能端侧模型;Middle train+Post train+Decay;数据构建及Scaling Law总结优化;DPO等强化学习; 2)排序侧:多路召回+粗排/精排/重排多级级联;端侧固定算力下的多任务排序扩容;弱反馈Listwise建模;语音N-best与文本上下文联合重排;跨端个性化与冷启动。 加分项:
- 拥有计算机科学硕士学位或博士学位;
- 曾在WSDM、ICML、SIGKDD、NeurIPS、RecSys、WWW、ACL、ICLR、EMNLP等国际会议发表论文;
- 具备推荐引擎、搜索引擎或广告引擎研发经验;
- 在ACM/ICPC、NOI/IOI、Kaggle等竞赛获奖者优先。