Map算法实习生 - 多模态大模型和静态元素感知模型研发

优缺点分析

角色解读

• 从实习生成长为正式算法工程师，深入自动驾驶感知与地图领域
• 积累多模态大模型和强化学习经验，未来可转向AI研究员或高级算法专家
• 有机会参与顶级学术会议发表论文，提升行业影响力
• 利用点云、图片、语义等多模态数据，研发高精度地图的自动标注agent
• 参与强化学习算法和VLM（视觉语言模型）的训练与优化
• 与团队协作，将模型集成到自动驾驶系统中，提升地图构建的自动化程度
• 扎实的深度学习与计算机视觉基础，熟悉常见算法和框架
• 优秀的编程能力，精通C++或Python，能够高效实现算法
• 了解agent构建逻辑，对强化学习和大模型有热情

申请策略

• 了解小马智行的技术博客或公开演讲，展示对公司的关注
• 在简历中体现独立解决问题和快速学习的能力
• 突出深度学习或计算机视觉相关的项目经验，尤其是多模态或点云处理项目
• 强调编程能力，列出C++/Python项目代码量或开源贡献
• 如有强化学习或大模型相关经历，务必重点描述
• 提前学习强化学习基础（如PPO、DQN）和大模型微调技术（SFT、LoRA）
• 熟悉CUDA编程或并行计算，提升算法效率

面试指南

• 对于技术问题，先阐述基本原理，再结合项目经验说明具体实现
• 对于设计类问题，采用“问题分析-方案设计-评估优化”的结构
• 对于开放性问题，展示思考过程，体现逻辑性和创新性
• 请解释多模态融合在自动驾驶地图构建中的应用
• 你如何设计一个强化学习agent来自动标注高精度地图？
• 描述一个你使用深度学习处理点云或图像的项目
• 你对大模型SFT和LoRA的理解是什么？
• 如何优化一个深度学习模型的推理速度？