黑芝麻
AI系统开发工程师（校招）(J11207)
AI系统开发工程师（校招）(J11207)
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Pytorch
具身智能
多模态大模型
强化学习
深度学习
视觉语言模型
值不值得投
80综合评分
综合评分 80
上市企业校招、前沿AI技术栈、技术成长空间极大，WLB与具体薪资未明确。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
2.8万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 110 个在招
市场机会
选择适中
武汉 · 机器学习工程 · 27 个在招
职位详情
关于这个职位
该职位主要负责跟踪和调研通用人工智能、具身智能及多模态大模型的前沿技术，设计模型研发路线并推动算法在真实设备或产品系统中的落地
你需要与机器人、控制等多个团队协作，将实验室原型转化为实际生产力，是连接前沿AI理论与工程落地的核心研发角色
最低要求
计算机科学、人工智能、机器人、自动化、电子工程、数学或相关专业硕士及以上学历
具备大模型、多模态模型、机器学习、深度学习、机器人或强化学习方向的研究或开发经验
熟悉 Python 和至少一种深度学习框架，如 PyTorch、JAX 或 TensorFlow
熟悉 Transformer、注意力机制、视觉编码器、多模态融合、生成模型等基本技术
具备完整的模型研发能力，包括数据处理、训练、调参、评测、问题定位和结果分析
具备良好的论文阅读能力，能够快速理解并复现前沿研究成果
具备较强的数学基础，熟悉概率统计、线性代数、优化方法等相关知识
能够独立完成技术调研、实验设计、算法实现和研发总结
工作职责
跟踪国内外通用人工智能、具身智能和多模态模型领域的前沿进展
深入调研世界模型、VLA/VA 模型、视觉语言模型（VLM）、多模态大模型和智能体相关论文、开源项目及产业实践
分析不同模型架构、训练范式、数据配方、推理机制和评测方法
结合公司业务和技术目标，设计模型研发路线、技术方案和实验计划
推动算法从实验室原型走向仿真环境、真实设备或产品系统
与机器人、控制、感知、数据、基础设施和产品团队协作完成技术落地
AI 洞察
优缺点分析
优点
- 处于AI与具身智能的最前沿，能接触到世界模型、VLA/VA等顶尖技术，技术壁垒高
- 平台稳定，能提供丰富的算力资源与真实的机器人硬件落地场景
- 跨团队协作模式有助于拓宽技术视野，从纯算法向系统级AI工程能力跃升
- 具身智能和多模态大模型属于前沿探索领域，技术迭代极快，需要持续保持高强度的学习与论文跟进
- 适合对AI前沿技术有强烈热情、具备扎实数学与代码基础，且希望在具身智能或大模型领域长期深耕的技术极客
缺点 / 挑战
- 算法从实验室到真实设备的落地存在诸多工程挑战（如算力限制、实时性要求），调试与优化难度大
角色解读
- 从算法研究员成长为具身智能或多模态大模型领域的技术专家，主导核心算法架构设计
- 向AI系统架构师或技术总监方向发展，负责跨团队的技术路线规划与落地统筹
- 跟踪并调研通用人工智能、具身智能及多模态大模型的前沿技术与论文
- 设计模型研发路线与技术方案，推动算法从实验室原型向仿真环境或真实产品系统落地
- 与机器人、控制、感知等跨部门团队协作，完成AI技术的工程化与产品化
- 扎实的数学基础与深度学习理论，熟练掌握Transformer、多模态融合等核心技术
- 精通Python及PyTorch等主流深度学习框架，具备完整的数据处理、模型训练与评测能力
- 出色的英文论文阅读与复现能力，能快速跟进VLA/VA、VLM等前沿研究并转化为工程方案
申请策略
- 提前了解黑芝麻智能在自动驾驶或机器人领域的具体产品线，面试时结合公司业务谈技术落地思路
- 突出在多模态大模型、VLM或强化学习方向的研究成果，如有顶会论文或开源项目贡献务必列出
- 详细展示完整的模型研发经历，包括数据处理、训练调优、评测及问题定位的具体案例与指标提升
- 强调跨团队协作经验或算法在真实设备/仿真环境中的落地经验，体现工程化能力
- 深入学习VLA/VA模型及世界模型的最新论文，尝试复现开源项目并总结实验心得
- 提升C++或模型部署优化技能（如TensorRT），以弥补算法到工程落地之间的技能 gap
面试指南
- STAR法则：针对项目经验，清晰阐述背景、任务、具体行动（技术细节）和最终量化结果
- 结构化拆解：针对系统设计或优化问题，从数据、模型架构、训练策略、部署推理等维度分层回答
- 请分享一个你主导的多模态大模型或VLM项目，你在其中解决了哪些核心技术难题？
- 如果要将一个庞大的VLA模型部署到算力受限的机器人端侧设备，你会采取哪些优化策略？
- 谈谈你对世界模型（World Model）在具身智能中应用的理解，它解决了传统强化学习的哪些痛点？
- 在模型训练过程中，如果发现Loss不收敛或出现NaN，你的排查思路和解决步骤是什么？
- 复习Transformer底层原理、注意力机制变体及多模态融合的经典论文，确保能应对深度技术拷问
- 准备1-2个自己最熟悉的项目，深挖其中的数学推导、代码实现细节及踩坑经验，避免只谈宏观概念
职位点评
薪资福利80
成长发展90
工作生活60
使命价值85
薪资福利
80较高
作为已上市大型企业的校招核心算法岗，薪资具备较强竞争力，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
90较高
岗位聚焦具身智能与多模态大模型等前沿领域，技术栈极具前瞻性，能为个人技术成长提供极高天花板。
技术前沿前沿/新兴技术
技术栈多模态大模型、具身智能、VLA/VA模型、VLM、Transformer、PyTorch、强化学习
业务类型ambiguous
工作生活
60中等
JD未提及工作模式与加班情况，但前沿AI研发岗通常面临较高的技术攻坚压力，WLB情况无法明确判断。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
致力于通用人工智能与具身智能的落地，推动AI技术从实验室走向真实物理世界，具有较高的行业使命感与技术价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs