初速度
L4智驾大模型团队-世界模型算法工程师
L4智驾大模型团队-世界模型算法工程师
发布于 6 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
Diffusion Model
End-To-End
Tensorrt
Vlm
World Model
强化学习
自动驾驶
值不值得投
77综合评分
综合评分 77
聚焦端到端与世界模型的前沿智驾算法岗，技术栈顶尖、发展空间极大，但工作节奏与压力可能较高。
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
6.3万
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
18 个在招
市场机会
选择面较广
北京 · 自动驾驶 · 约 140 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研发，聚焦世界模型、视频生成及视觉语言模型在驾驶策略生成中的应用
你需要探索前沿模型架构在轨迹预测与决策规划中的落地，并搭建自动化评测体系与数据闭环，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
模型架构探索：探索 Transformer、State-space Model (如 Mamba)、Diffusion Model、IL/RL在轨迹预测与决策规划中的应用，验证 Scaling Law 在自动驾驶规控领域的有效性
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大模型结合的最前沿，技术栈极具前瞻性和市场竞争力
- 参与L4级智驾核心算法研发，能够积累端到端模型、世界模型等稀缺的实战经验
- 公司具备充足的算力资源和数据闭环能力支撑算法迭代，技术落地环境优越
- 适合具备扎实大模型基础、对自动驾驶充满热情，且渴望在端到端前沿技术方向深耕的顶尖算法人才
缺点 / 挑战
- 大模型在自动驾驶规控领域的落地仍处于探索期，Scaling Law的有效性验证面临较高技术不确定性
- 算法研发对算力和数据质量要求极高，跨部门协同与数据闭环搭建的工程挑战较大
角色解读
- 纵向可成长为自动驾驶算法专家或首席科学家，引领端到端大模型技术方向
- 横向可拓展至自动驾驶系统架构师或技术管理岗，负责整体规控算法团队的战略规划
- 负责端到端自动驾驶算法研发，利用世界模型、视频生成和视觉语言模型生成驾驶策略
- 探索Transformer、Mamba、Diffusion等前沿架构在轨迹预测与决策规划中的应用，验证Scaling Law
- 搭建自动化评测体系，利用大模型进行数据挖掘、自动标注和场景重建，构建数据闭环
- 扎实的深度学习基础，精通Transformer架构，具备LLM/VLM训练微调及生成式模型经验
- 精通Python，熟悉C++，掌握模型端侧部署与推理优化（TensorRT/CUDA）
- 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
- 提前了解初速度在端到端自动驾驶和世界模型方面的最新技术博客或开源项目，展现对公司技术路线的认同
- 重点突出在LLM/VLM或生成式模型（Diffusion等）的训练、微调及落地经验，展示对Transformer架构的深刻理解
- 详细描述在自动驾驶Planning/Prediction或数据驱动算法（IL/Offline RL）方面的具体项目成果与业务指标提升
- 强调Python/C++工程能力，特别是模型端侧部署、TensorRT/CUDA推理优化的实际经验
- 深入学习State-space Model（如Mamba）及Diffusion Model在序列预测和轨迹生成中的最新论文与开源实现
- 熟悉自动驾驶数据闭环工具链，了解自动化评测体系搭建及Auto-labeling的技术方案
面试指南
- 技术深度题：采用“背景-方案-难点-结果”框架，突出对底层原理的理解和解决复杂工程问题的能力
- 业务场景题：采用“业务痛点-算法选型-数据闭环-指标收益”框架，强调算法与自动驾驶实际业务的结合
- 请详细讲讲你之前训练的LLM或VLM模型架构，以及在微调过程中遇到的显存/算力瓶颈是如何解决的？
- 在自动驾驶规控中，你认为验证Scaling Law的难点在哪里？如何设计实验来验证其有效性？
- 针对生成式规划算法，你会如何设计自动化评测体系？如何保证生成轨迹的安全性和合理性？
- 请描述一下你将Diffusion Model或Mamba应用于轨迹预测的具体思路，相比传统方法有什么优势？
- 复习Transformer、Diffusion、RLHF等核心算法的数学推导，并准备1-2个自己主导的端到端或大模型落地项目案例
- 了解初速度最新的端到端技术路线，思考世界模型在自动驾驶中的具体应用形态
职位点评
薪资福利85
成长发展95
工作生活40
使命价值80
薪资福利
85较高
大模型与自动驾驶交叉领域的核心算法岗，市场稀缺度高，薪资水平处于行业前列，能较好满足补偿性动机。
薪资信号未披露（AI估算：4.5千–8万/月）
成长发展
95较高
岗位聚焦世界模型、端到端大模型等最前沿技术，技术栈极具挑战性与发展空间，完美契合发展性动机。
技术前沿前沿/新兴技术
技术栈End-to-End、World Model、Transformer、Mamba、Diffusion Model、VLM、LLM、TensorRT、CUDA
业务类型profit_center
工作生活
40较低
JD未提及任何工作模式与WLB相关信息，无法判断实际工作节奏与通勤情况，生活化动机满足度有限。
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
80较高
致力于L4级自动驾驶研发，推动出行方式变革，具有较高的社会价值与行业使命感。
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