算法实习生 - 行为预测

优缺点分析

角色解读

• 实习表现优秀可转正，成为自动驾驶算法工程师
• 深入端到端预测、多模态大模型等前沿方向，未来可向高级算法专家或技术Leader发展
• 积累自动驾驶行业经验，可横向迁移至机器人、智能交通等领域
• 研发端到端或基于大语言模型的社会车/行人意图与轨迹预测算法，处理复杂交互场景
• 应用多模态大模型对路测接管案例进行智能分析与自动化诊断，挖掘长尾场景
• 开发基于大模型的AI Agent框架，用于场景仿真、数据标注和模型评估
• 参与模型微调、推理加速与轻量化部署，确保算法高效落地
• 扎实的机器学习/深度学习基础，熟悉轨迹预测或相关领域
• 熟练使用Python和PyTorch等深度学习框架
• 有顶会论文、公开数据集竞赛或编程竞赛获奖经历者优先
• 对大语言模型、多模态模型或AI Agent有实践经验者优先

申请策略

• 提前了解小马智行的技术博客和开源项目，在面试中展示对公司的兴趣
• 准备一个与行为预测或大模型相关的项目案例，能清晰讲解技术细节和成果
• 突出相关论文发表经历（CVPR、NeurIPS等），并简要说明贡献
• 强调在Waymo、nuScenes等数据集上的成绩或Kaggle竞赛排名
• 展示编程竞赛获奖（ACM-ICPC、NOI等）或GitHub高星项目贡献
• 如有大模型、多模态或Agent项目经验，务必详细描述
• 系统学习轨迹预测经典论文（如VectorNet、LaneGCN等）和最新进展
• 动手复现开源预测模型，并尝试在公开数据集上改进

面试指南

• 对于技术问题，先明确问题核心，再分点阐述原理、方法、优缺点，最后结合实际案例
• 对于开放性问题，展示对行业的理解，结合自身经验提出观点，并体现批判性思维
• 对于项目描述，采用STAR法则（情境、任务、行动、结果），突出个人贡献和技术难点
• 请解释端到端预测模型与传统模块化方法的区别及优缺点
• 如何利用多模态大模型对自动驾驶长尾场景进行自动诊断？
• 描述一个你参与过的轨迹预测或相关项目，遇到了哪些挑战？
• 如何评估一个预测模型在实际场景中的表现？
• 你对大模型在自动驾驶中的应用前景怎么看？