奔驰
Algorithm Engineer
Algorithm Engineer
发布于 5 个月前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
软件工程
多模态融合
模型微调
模型部署
计算机视觉
PyTorch
TensorFlow
视觉语言模型 (Vlm)
AI 估算 · 35k–60k
该职位要求顶尖的AI算法与工程能力，涉及前沿的VLM和多模态技术，在智能汽车领域需求旺盛，市场竞争力强，薪资水平较高。
职位详情
关于这个职位
该职位是奔驰公司的算法工程师，主要负责为MBOS系统研发、设计和实现计算机视觉及视觉语言模型（VLM）的应用案例
核心工作包括训练和微调深度学习模型，专注于多模态融合以及在嵌入式平台上的高效部署，并与软硬件及产品团队紧密合作，将算法集成到整车系统中
最低要求
计算机科学、电气工程、机器人学或相关领域的硕士及以上学历
拥有开发和部署计算机视觉和/或VLM算法的实际经验，汽车或机器人领域经验者优先
具备深度学习框架（如PyTorch, TensorFlow）和经典计算机视觉库的使用经验
熟悉LLMs/VLMs的微调与优化（例如LoRA, RAG, 提示工程）
了解多模态融合技术以及Transformer、BERT等模型的架构
在自然语言处理和计算机视觉方面有扎实基础，能够设计和实现利用两种模态的解决方案
具备模型压缩、量化以及在资源受限环境部署的经验
熟悉多模态任务的数据集收集、标注和评估
具备Python和C++的扎实编程能力
出色的分析和解决问题能力
技术领导力以及基于技术事实做出决策的能力
强烈的责任心和驱动力
良好的沟通技巧和在协作、跨职能环境中工作的能力
具备书面和口语的英语能力
工作职责
为MBOS研究、设计和实现计算机视觉及视觉语言模型（VLM）的应用案例
训练和微调深度学习模型，专注于多模态融合以及在嵌入式平台上的高效部署
与软件、硬件和产品团队紧密合作，将开发的算法集成到整车系统中
构建和维护用于微调和部署LLMs/VLMs的工具链，管理训练集群，并确保在服务器端和嵌入式目标上的高效推理
进行实验、评估，并向其他团队成员进行知识转移
优先资格
具备云服务（如Azure, AWS, Tencent）使用经验者优先
AI 洞察
优缺点分析
优点
- 平台优势：在全球顶级汽车品牌从事前沿的AI算法研发，项目落地于真实产品，技术视野和行业影响力大
- 技术前沿：专注于VLM、多模态融合等AI热点领域，能持续接触和学习最先进的技术栈与工程实践
- 综合能力提升：工作涉及从算法研究到嵌入式部署的全链路，能极大锻炼工程落地和解决复杂问题的能力
- 技术难度高：需要同时精通CV、NLP和多模态技术，并对嵌入式部署有深刻理解，学习曲线陡峭
- 跨部门协作复杂：需要与软硬件、产品等多个团队紧密配合，对沟通协调和项目推进能力要求高
- 行业标准严格：汽车行业对算法的可靠性、安全性和实时性要求极高，开发与测试标准严苛
- 适合拥有扎实AI算法基础、热衷于技术落地、并希望在智能汽车这一高价值领域深耕的技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路径：深耕VLM、多模态AI在汽车领域的应用，成为算法架构师或首席科学家
- 技术管理路径：积累项目管理和团队协作经验后，可向技术经理或研发负责人方向发展
- 行业拓展路径：在智能汽车领域积累的算法与工程经验，可向更广阔的机器人、AI产品等领域迁移
- 研发并落地应用于汽车操作系统（MBOS）的计算机视觉和视觉语言模型（VLM）解决方案
- 负责深度学习模型的训练、微调、压缩和优化，确保其能在车载嵌入式平台上高效运行
- 与跨职能团队（软件、硬件、产品）协作，将算法集成到整车系统中，并构建和维护相关的模型部署工具链
- 精通计算机视觉和自然语言处理，特别是多模态融合技术，熟悉Transformer、BERT等模型架构
- 熟练掌握PyTorch、TensorFlow等深度学习框架，具备模型微调（如LoRA, RAG）和优化部署的实战经验
- 拥有扎实的Python和C++编程能力，以及处理资源受限环境（模型压缩、量化）的经验
申请策略
- 深入了解奔驰在智能化方面的战略和MBOS系统，在面试中展现你对业务场景的理解和技术结合的思考
- 准备用英语进行技术交流，因为职位明确要求英语能力，且跨国企业工作环境可能常用英语
- 重点突出与计算机视觉、VLM或多模态AI相关的项目经历，详细说明你的技术贡献、模型效果及落地情况
- 清晰展示你在模型训练、微调（特别是LoRA/RAG）、优化及嵌入式部署方面的具体技能和实践经验
- 列举使用PyTorch/TensorFlow、Python/C++等技术栈完成的项目，并量化成果（如性能提升百分比）
- 若对汽车领域不熟，可提前了解ADAS、智能座舱等相关背景知识，以及车载计算平台的特点
- 加强模型压缩、量化和在边缘设备上部署的实操经验，这是该职位非常看重的工程能力
面试指南
- 使用STAR原则（情境、任务、行动、结果）来结构化回答项目经验类问题，重点突出你的技术决策和量化成果
- 对于技术方案设计问题，先清晰定义问题与约束，再阐述技术选型理由、实现步骤以及评估验证方法
- 回答协作类问题时，展现你的沟通技巧、以结果为导向的思维以及解决冲突、推动项目前进的能力
- 请详细介绍一个你参与的计算机视觉或VLM项目，你在其中承担的角色、遇到的技术挑战及解决方案
- 你如何针对一个具体的车载应用场景（如车内交互）设计并微调一个多模态模型？
- 请谈谈你在模型压缩和量化方面的经验，以及如何确保量化后模型在嵌入式平台上的精度和效率？
- 描述一次你与硬件或软件团队协作完成算法集成的经历，过程中如何解决分歧或技术难题？
- 你如何看待当前VLM技术在智能汽车领域的应用前景和主要技术瓶颈？
职位点评
Watch Jobs