初速度
世界模型生成
世界模型生成
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
3Dgs
Gnn
Nerf
世界模型
场景重建
多模态数据
自动驾驶
值不值得投
72综合评分
综合评分 72
自动驾驶前沿算法岗，技术栈顶尖、成长空间大，但工作节奏快、WLB一般。
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，方便横向比较。
薪资怎么样
5万
比计算机视觉工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
73 个在招
市场机会
选择面较广
北京 · 计算机视觉工程 · 约 140 个在招
职位详情
关于这个职位
该职位负责自动驾驶场景下的世界模型研发与优化，利用3DGS、NeRF等前沿技术进行场景重建与生成
你需要处理多模态数据并微调模型，与感知/规划团队合作，将虚拟场景高效集成到自动驾驶仿真与预测链路中
最低要求
计算机科学、人工智能、自动化、机器人学或相关领域的985/211硕士以上学历
精通Python、C++或其它编程语言，具有扎实的数据结构和算法基础，能够熟练编写高效的模型代码和数据处理脚本
熟悉huggingface上的各种sota云端/端侧模型项目，深入理解世界模型、场景建模、动态预测相关原理及实现细节
深入理解机器学习、深度学习、强化学习等人工智能核心技术，在世界模型生成、3D场景建模、动态预测等相关领域有明确的项目经验
具备出色的分析问题和解决问题的能力，以及良好的团队合作精神
有责任心，能够适应快节奏的工作环境，并拥有良好的沟通能力
工作职责
熟悉世界模型（World Model）、场景重建、3D环境生成等方向的云端/端侧模型，精通相关模型（如3DGS、NeRF、GNN、Transformer-based世界模型）的代码实现和推理逻辑
对智能辅助驾驶场景下的多模态数据（点云、图像、IMU、GPS等）进行预处理、分析和特征工程，基于对自动驾驶场景的深入理解，挖掘数据价值以优化世界模型的场景还原度和预测精度
结合公司已有的自动驾驶场景数据、真实路况数据，对世界模型进行finetune优化，使其能够精准生成符合真实路况、动态交互合理的自动驾驶虚拟场景，适配业务实际需求
与算法部署、智能辅助驾驶感知/规划工程师紧密合作，确保世界模型的输出能够高效集成到仿真、感知预测等链路，保障算法的实际可行性和工程落地性
跟踪世界模型、场景生成、动态预测等领域的最新科研进展和技术趋势，关注顶会（NeurIPS/ICCV/CVPR/ICML）及行业前沿成果，将前沿技术转化应用于解决自动驾驶场景下的实际问题
AI 洞察
优缺点分析
优点
- 接触行业最前沿的世界模型与3D生成技术，技术壁垒高，个人成长空间大
- 处于自动驾驶核心赛道，技术成果直接赋能高阶智驾系统，业务价值显著
- 与顶尖算法及工程团队合作，能够积累丰富的多模态数据与模型落地经验
- 世界模型与3D生成属于前沿探索领域，技术迭代极快，需要持续跟踪顶会论文并保持学习
- 算法从理论到工程落地存在Gap，需要解决算力、实时性及与现有感知/规划链路的兼容性问题
- 适合具有扎实AI算法基础、对自动驾驶和3D视觉充满热情，且具备较强抗压能力和工程落地能力的硕士及以上研发人才
缺点 / 挑战
- JD明确要求适应快节奏工作环境，可能面临较高的项目交付压力
角色解读
- 从算法研究员成长为自动驾驶世界模型领域的技术专家，主导核心算法的演进
- 向算法团队负责人或技术总监方向发展，带领团队攻克自动驾驶仿真与预测的技术难题
- 研发和优化自动驾驶场景下的世界模型，利用3DGS、NeRF等技术进行3D环境生成与场景重建
- 处理点云、图像等多模态数据，进行特征工程并微调模型，提升场景还原度与预测精度
- 与感知、规划及部署团队跨部门协作，将世界模型输出集成到仿真和预测链路中，推动工程落地
- 精通Python/C++，具备扎实的数据结构与算法基础，能高效编写模型代码
- 深入理解世界模型、3D场景建模原理，熟悉3DGS、NeRF、Transformer等前沿模型架构
- 具备多模态数据处理经验，熟悉机器学习、深度学习及强化学习核心技术
申请策略
- 提前了解初速度在自动驾驶仿真和数据闭环方面的业务布局，准备针对性的技术见解
- 在面试中展现对前沿论文的快速复现能力和解决实际Bad Case的分析思路
- 突出在世界模型、3DGS、NeRF或场景重建相关领域的项目经验及论文/专利成果
- 强调多模态数据（点云、图像等）处理及特征工程经验，展示对自动驾驶场景的深刻理解
- 展示Python/C++编程能力，以及将算法模型成功部署或集成到实际业务链路中的工程经验
- 深入学习最新的World Model架构（如基于Transformer的生成模型）及3D Gaussian Splatting技术
- 提升C++工程化能力，了解模型在端侧或云端的推理优化与部署流程
面试指南
- STAR法则：情境-任务-行动-结果，重点突出你在复杂算法项目中的核心贡献和量化收益
- 对比分析法：在回答技术选型或模型对比时，从原理、优缺点、适用场景及改进方案四个维度展开
- 工程落地视角：不仅谈算法理论，更要结合算力限制、数据分布、系统延迟等工程实际因素进行阐述
- 请详细介绍你在世界模型或3D场景生成项目中的具体工作，遇到了哪些技术难点及解决方案？
- 针对自动驾驶场景，如何利用多模态数据（点云、图像）优化世界模型的场景还原度？
- DGS和NeRF在场景重建中各有什么优缺点？在自动驾驶动态场景中如何改进？
- 如何将世界模型的输出高效集成到现有的感知和规划链路中，保证实时性和准确性？
- 复习NeurIPS/CVPR等顶会中关于World Model、3DGS、NeRF的最新论文，掌握其核心数学推导与代码实现
职位点评
薪资福利75
成长发展90
工作生活40
使命价值80
薪资福利
75中等
自动驾驶核心算法岗，薪资处于市场较高水平，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：3.5千–6.5万/月）
成长发展
90较高
岗位聚焦世界模型、3DGS等前沿技术，要求跟踪顶会进展，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈世界模型、3DGS、NeRF、GNN、Transformer、多模态数据、Python、C++
成长机会跟踪最新科研进展和技术趋势、关注顶会
业务类型ambiguous
工作生活
40较低
JD明确要求适应快节奏工作环境，且未提及弹性工作等WLB福利，工作强度可能较大。
工作模式未明确
办公地点未明确
加班情况JD含高强度暗示词
使命价值
80较高
致力于自动驾驶技术落地，推动智能辅助驾驶发展，具有较高的社会价值和行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs