算法实习生 - 世界模型与三维重建方向 - 北上广均可

优缺点分析

角色解读

• 实习表现优异可转正为正式算法工程师，深入自动驾驶核心研发
• 积累前沿AI技术经验，向世界模型或三维视觉方向专家发展
• 未来可转向自动驾驶感知、规划等更广泛的领域，或进入学术界深造
• 研究并实践世界模型、生成式模型在自动驾驶中的应用，例如扩散模型和视频预测
• 构建多模态数据生成与增强管线，处理图像、激光雷达、文本等数据
• 基于3D Gaussian Splatting等前沿方法，开展驾驶场景的三维重建与可控生成
• 扎实的Python编程和PyTorch框架使用能力，能独立训练和优化模型
• 熟悉生成式模型或三维重建相关技术，如扩散模型、NeRF、3DGS等
• 良好的英文文献阅读能力，能快速复现和修改开源代码
• 熟练使用AI辅助工具和Vibe Coding提高实验效率

申请策略

• 在简历和求职信中体现对自动驾驶技术的热情，以及对该方向的深入理解
• 关注小马智行技术博客或公开演讲，了解其技术方向，可在面试中展示
• 突出相关的研究经历或项目，特别是生成式模型、三维重建或自动驾驶感知方面的成果
• 强调Python和PyTorch的熟练度，以及开源贡献或复现论文的经历
• 展示英文文献阅读能力，例如列出阅读过的论文或参与过论文复现
• 如有AI辅助编程工具使用经验，务必提及
• 提前学习扩散模型、NeRF、3D Gaussian Splatting等核心原理
• 练习使用PyTorch进行模型训练和调参，熟悉常见的深度学习工具

面试指南

• 对于技术原理类问题：先定义概念，再说明关键方法，最后结合实际应用或优缺点
• 对于项目经验类问题：使用STAR法则（情境-任务-行动-结果），突出你的贡献和收获
• 对于开放性问题：展示思考过程，提出可能的解决方案，体现研究潜力
• 请解释扩散模型的基本原理及其在自动驾驶中的应用场景
• 你如何理解世界模型？它在自动驾驶中扮演什么角色？
• 描述你是如何训练一个PyTorch模型的，遇到过哪些挑战？
• 谈谈你对3D Gaussian Splatting的理解，它相比NeRF有何优劣？
• 你最近的论文阅读经历？请介绍一篇你印象深刻的论文