校招生和实习生在字节跳动，工作一年就中选 ICLR 2024 ，这是怎样一种体验？

就在 5 月 7 日至 5 月 11 日，2024 年度国际表征学习大会 ICLR 2024 在奥地利维亚纳举办。该活动是深度学习领域最重要的学术活动之一，由深度学习三巨头之二的 Yann LeCun 与 Yoshua Bengio 发起。

今年 ICLR ，共有 7262 篇论文提交，整体接收率约为 31% ，中选文章作者中，不乏字节跳动校招新人的身影。

这些同学中，有的人是实习生，有的人刚刚毕业一年左右。在公司时间虽短，却也做出了顶会成果。

今天，我们一起看看他们是如何做到的。

Terry 字节跳动 2022 校招生  

毕业于 JHU

Unleashing Large-Scale Video Generative Pre-training for Visual Robot Manipulation 核心作者

这个项目立项是在 2023 年的三四月份。当时 ChatGPT 刚出来没多久，证明了其在 NLP 领域的有效性。后来大家也看到了，大模型在图像、视频生成都能用上。

但在机器人领域，训练数据相比 NLP 和图像来说少很多，而且采集难度大、周期长。我们团队希望探索新的方法，在少量数据的情况下，也能在端到端多任务操作上达到不错的鲁棒性和泛化性。

这也是整个团队在端到端的多任务操作上的第一次探索。

具体来说，我们参考大模型做法，希望通过大量公开视频数据帮助机器人实现更高效的学习。最终，我们也验证了这个方法在机器人学习上面效果很好，鲁棒性、抗干扰性也更强。

我们这个模型也参考了 GPT 的做法，语言模型是根据前面的词，生成后面的内容。我们也是，让机器人根据前面的数据对后面的动作进行预判。

接下来是验证思路，这也不是我一个人完成的，而是由不同背景的同学一起参与完成。

有同学做学习算法、数据集，有同学负责硬件，即机器人本体，也有负责机器人控制的同学，还有的同学负责进行测试。我主要是做学习算法和测试这块。

面对各种问题，相关同学就会来一起积极帮助调试，很多方法也是由不同背景的同学提出，我们一起去验证对比，大家一起把事情完成，这样的协作沟通其实让人感到轻松一些。

而且 Leader 也会帮助我们，为大家选出真正有价值的研究课题，我们的课题是前沿的，研究方法也是前沿的，加上公司提供了丰富的计算资源。我觉得，还是非常难得的。

最兴奋的还是经过很多次尝试后，终于成功的那一刻。想想看，跟机器人说一句话，它就可以帮我做一件事，比如，从一些蔬果中拿起西蓝花，放到盘子里去。这让我们觉得很有成就感。

后面就是抓紧时间，去探索机器人的能力边界在哪，比如去做更复杂的任务、增加干扰物、变换背景完成任务等等。

这个项目里，大家工作都是奔着很高的目标去的。就算方法已经达到了 SOTA ，但我们还是会想，哪些地方可以做得更好一些？这个方法是不是足够通用？

感觉在字节跳动， Leader 跟你的讨论，与在学校导师跟你探讨思路、一起解决问题是一样的。遇到困难，大家也会坐下来一起讨论：问题出在哪儿，哪个方法对，哪个方法不对。

跟在学校不一样的是，加入公司后，我开始更多去思考什么项目对公司和产业更有价值，这也是我进入公司这一年的变化。

Paul 字节跳动 2023 校招生 

毕业于中科院自动化所

Image Background Serves as Good Proxy for Out-of-distribution Data 核心作者

我做的研究是分布样本检测，在大模型时代，算一个比较小的研究方向。

分布样本检测其实应用很多。拿猫狗分类举例，一方面要去分辨是猫还是狗，另一方面，也要分辨图片到底属不属于猫或狗，不然就是分布外样本。

一开始我就想，能不能探索一种方法，从图像本身获取分布内和分布外特征。也就是说，将目标所在部分作为正样本，其他部分背景作为负样本进行模型训练。这样做出的模型在分类上，应该有非常好的鲁棒性，且也适用于现实。

后来证明，这个思路是有效的。其实这篇文章，团队其他同学也给了我很多帮助，包括提供了效果更好的方法，也从论文撰写和排版角度，提供了不少建议。

应用方面，这个成果也能与多模态结合，比如，多模态模型目前在看图答题时，常会出现“胡编乱造”问题，明明图片没有的物体，它会说有。这个成果的结合，能减少幻觉产生的。

加入之前，我也在其他公司实习过，感觉字节跳动这边工作时间灵活，对不同习惯的研究工作者来说，比较友好。

另一方面是字节跳动的 Mentor 都非常资深，而且在日常工作中，他们不会随意将自己的想法强加给你，团队对研究是非常开放的， Leader 不会阻止你去探索。

只不过，比起“水”文章，我们还是倡导大家探索前沿技术，做真正让人眼前一亮的工作。

Jory 前字节跳动实习生  

 NUS 在读博士

AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models 核心作者

这篇论文是我在字节跳动实习期间做的。

一开始有想法，是在 2022 年底，那时各种生成模型比较火，尤其扩散模型。

我们就想，能否将一些预训练好的判别模型与生成模型结合，这个是我们最初的灵感。

具体思路是，根据生成的图片，让判别模型算出 Loss 数值，再用 Loss 微调扩散模型参数，以生成更符合要求的图片。

举个落地的例子来说，我们在亚马逊上看到的图片可能美感不够，或不符合审美要求，其实，可以用预训练好的审美评价模型去微调生成模型，再让生成模型生成商品图，这样美感就更好。

这个项目是 Mentor 提出了大致的框架，我去进行尝试。

我们的设想其实是个比较数学的方法，原本不确定是否有效，没想到，第一次试验效果就还可以，这也给了我们很大希望继续做下去。

另外一个同学对视觉任务特别了解，代码能力也很强，给我提供了一些技术支持。当然，公司科学家也在背后支持我们整个团队。

这当中，我负责自己去跑实验，有困难就可以找大家解决，毕竟他们经验比较丰富。

在微调网络参数的过程中，我们希望优化整个过程，把算力要求降下来，也是大家一起商量，聚焦文字信息嵌入关键层，Cross Attention 层，这样就容易一点。

图注：采用论文方法，生成的小狗面部细节与小鸟羽毛细节更贴合左侧参考图片

来字节跳动实习前，我一直都在纯研究的机构里，刚进入字节跳动时，最大感受就是——公司里技术交流特别多，大家每天都在分享、讨论科技界有什么最新的、让人眼前一亮的模型。

这当中，我也开始理解了业务驱动的感觉，更看重应用，收获了新视角，对自己后续发展也有很大帮助。

上述内容仅仅展现了字节跳动在机器学习、大模型、具身 AI 等方向成果的一小部分。

本届 ICLR 2024，字节跳动共有 20 余篇论文入选，相关同学来自智能创作、ByteDance Research、豆包大模型团队等业务线。

如果你也对 AI 、大模型、机器人等研究工作感兴趣，想在务实高效的氛围里，和优秀的人，一起做高质量、有价值的前沿研究，欢迎加入我们。

长按下方二维码，或点击阅读原文，投递简历。

扫码一键投递

注：本文提及同学均使用化名。

 字节跳动更多技术应用 

自回归超越扩散！北大、字节跳动 VAR 范式解锁视觉生成 Scaling Law