初速度
端到端自动驾驶大模型算法工程师
端到端自动驾驶大模型算法工程师
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自动驾驶
自动驾驶
Cuda
Diffusion
End-To-End
Gan
Llm
Offline Rl
Prediction
Tensorrt
Vae
值不值得投
79综合评分
综合评分 79
前沿自动驾驶大模型核心算法岗，技术成长空间极大，薪资处于市场高位，但工作强度与WLB情况需进一步确认。
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
5.5万
比自动驾驶中位数高
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 · 自动驾驶 · 约 160 个在招
职位详情
关于这个职位
该职位负责新一代端到端自动驾驶算法在泊车场景的研发，涉及世界模型、视频生成及视觉语言模型等前沿技术
你需要搭建自动化评测体系，利用大模型进行数据挖掘与场景重建，通过数据闭环持续提升模型性能
最低要求
学历背景：计算机、自动化、人工智能等相关专业，211/985 硕士及以上学历
大模型技术栈：深入理解 Transformer 架构，有 LLM（大语言模型）或多模态模型（VLM）的训练/微调经验
熟悉生成式模型（Diffusion, VAE, GAN）原理
熟悉强化学习算法
编程与工程：精通 Python，具备极强的代码实现能力
熟悉 C++，了解模型在端侧（On-board）的部署与推理优化（TensorRT/CUDA）
自动驾驶经验：理解自动驾驶 Planning/Prediction 的核心业务逻辑，具备数据驱动算法（Imitation Learning, Offline RL）的研发落地经历
工作职责
端到端模型研发：负责新一代 End-to-End 自动驾驶算法的泊车场景的研发，包括但不限于基于 World Model（世界模型）、Video Generation（视频生成）或 VLM（视觉语言模型）的驾驶策略生成
数据闭环与评测：搭建针对生成式规划算法的自动化评测体系，利用大模型进行数据挖掘、自动标注（Auto-labeling）及场景重建，通过数据闭环持续提升模型性能
优先资格
有视频生成或序列预测模型相关经验者优先
AI 洞察
优缺点分析
优点
- 处于自动驾驶与AI大模型交叉的最前沿领域，技术壁垒高，个人技术价值提升快
- 数据闭环与评测体系的建设经验，将极大增强在AI工程化和系统架构方面的综合能力
- 大模型在车端部署对算力和实时性要求极高，端侧推理优化和C++工程落地难度大
- 适合具备扎实大模型算法基础、对自动驾驶充满热情，且具备较强工程落地能力的算法工程师
缺点 / 挑战
- 初速度在自动驾驶领域具有较高的行业知名度和量产落地经验，平台资源丰富
- 端到端自动驾驶仍处于技术探索期，面临长尾场景（Corner Cases）和模型可解释性等工程与理论挑战
角色解读
- 纵向可发展为自动驾驶算法专家或首席科学家，主导下一代端到端自动驾驶技术架构
- 横向可向自动驾驶系统架构师或技术管理岗转型，负责跨模块的技术统筹与团队管理
- 负责端到端自动驾驶算法在泊车场景的研发，探索世界模型、视频生成和视觉语言模型在驾驶策略生成中的应用
- 搭建生成式规划算法的自动化评测体系，利用大模型进行数据挖掘、自动标注和场景重建，形成数据闭环
- 扎实的深度学习基础，精通Transformer架构，具备LLM或VLM的训练与微调经验
- 熟练掌握Python和C++，具备模型端侧部署与推理优化（TensorRT/CUDA）能力
- 深入理解自动驾驶Planning/Prediction业务逻辑，有模仿学习或离线强化学习的落地经验
申请策略
- 了解初速度在量产自动驾驶和完全无人驾驶两条腿走路的产品战略，面试时结合其业务场景谈技术
- 突出在LLM、VLM或生成式模型（Diffusion/VAE）方面的训练、微调及落地项目经验
- 详细展示在自动驾驶Planning/Prediction或数据驱动算法（模仿学习/离线RL）方面的实际成果
- 强调C++工程能力以及TensorRT/CUDA等端侧部署和推理优化的实战经验
- 深入学习世界模型（World Model）和自动驾驶端到端架构的最新学术论文（如UniAD、VAD等）
- 提升大模型在边缘计算设备上的部署优化能力，熟悉TensorRT和CUDA编程
面试指南
- STAR法则：针对项目经验，从情境、任务、行动、结果四个维度结构化回答，突出数据指标的提升
- 技术深度+业务广度：在回答算法问题时，不仅讲模型原理，还要结合自动驾驶的实际业务场景（如泊车、规控）分析落地难点
- 请详细介绍你过去在LLM或VLM微调中遇到的最大挑战及解决方案
- 在自动驾驶泊车场景中，如何设计基于World Model或视频生成的驾驶策略生成方案？
- 如何搭建针对生成式规划算法的自动化评测体系？评价指标有哪些？
- 在模型端侧部署时，如何使用TensorRT/CUDA进行推理优化以满足实时性要求？
- 请对比模仿学习（Imitation Learning）和离线强化学习（Offline RL）在自动驾驶规划中的优缺点
- 复习Transformer、Diffusion、强化学习的核心数学推导，并准备1-2个自己主导的端到端或大模型落地项目细节
职位点评
薪资福利85
成长发展90
工作生活50
使命价值85
薪资福利
85较高
自动驾驶大模型算法属于当前AI领域的高薪方向，结合硕士及以上学历要求及大模型落地经验，薪资水平处于市场高位。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
90较高
岗位涉及世界模型、视频生成、VLM等最前沿的AI技术，且处于自动驾驶核心算法研发环节，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈End-to-End、World Model、Video Generation、VLM、Transformer、LLM、Diffusion、VAE、GAN、强化学习、TensorRT、CUDA、Imitation Learning、Offline RL
业务类型ambiguous
工作生活
50较低
JD未明确提及办公模式、工时及加班情况，无法准确判断工作生活平衡状态，需在实际面试中进一步确认。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
自动驾驶技术致力于提升交通效率与安全性，具有显著的正向社会价值，且行业处于技术快速迭代期。
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