上海电气
智能感知研发工程师(27届校招)
智能感知研发工程师(27届校招)
发布于 7 天前普通员工/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
Pytorch
Tensorflow
分布式训练
图像分割
多模态大模型
对比学习
扩散模型
目标检测
计算机视觉
值不值得投
74综合评分
综合评分 74
多模态大模型前沿研究岗，学术与工程并重、成长性顶级，薪资与强度待面谈
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
2.3万
比计算机视觉工程中位数高
发布情况
正常在招 · 7 天前发布
公司情况
这家公司招聘很活跃
15 个在招 · 其中计算机视觉工程 2 个
市场机会
选择面较广
上海 · 计算机视觉工程 · 约 130 个在招
职位详情
关于这个职位
面向工业领域的视觉与多模态大模型前沿研究校招岗，负责视觉基础模型的核心算法攻关、模型预训练与推理优化、多模态数据集建设，推动模型在复杂工业场景中的规模化落地，适合有CV与深度学习科研背景的应届人才
最低要求
熟悉目标检测、图像分割、异常检测、视觉语言模型、大语言模型等相关技术中的一种或多种，在计算机视觉、深度学习、大模型或多模态学习等方向具有扎实的理论基础和研究经验
熟悉Transformer、扩散模型、对比学习等前沿方法，具备数据处理、模型搭建、训练到评估的实操能力，能够完成图像、文本、语音等多模态数据处理与融合建模、跨模态表示学习、理解与生成的工程实现，具备多模态预训练或大模型相关项目工程落地经验
熟悉大规模数据集构建与清洗的实操流程，具备数据增强、多模态对齐、标注规范落地等相关经验
具有较强的科研创新能力和良好的团队协作能力
工作职责
开展视觉基础模型、多模态大模型及视觉语言模型在工业领域的前沿研究
针对复杂工业场景，攻克目标检测、图像分割、异常检测、细粒度识别、开放集识别及零样本学习等核心算法
负责视觉与多模态大模型的预训练、微调、评测、压缩及推理优化研究，解决工业领域落地中的技术难题，推动模型在实际业务中的部署、迭代与规模化应用
探索多模态大模型与智能体技术的融合，研究面向复杂工业任务的感知、推理、分析与决策方法，提升系统在动态场景下的自主作业能力
推动多模态世界基础模型在工业场景中的研发落地，涵盖数据预处理、模型架构设计、训练及工程化优化，确保可复用性
持续跟踪前沿进展，探索其工程化适配方案
参与工业多模态数据集的构建、清洗、标注及增强实操，优化数据生产流程，提升模型的鲁棒性与泛化能力，确保数据资源贴合实际业务需求
优先资格
熟练使用常见深度学习框架（如PyTorch、TensorFlow等），具备良好的工程实现、调试与问题解决能力
有分布式训练、模型并行/数据并行、性能优化经验者优先
在计算机视觉、人工智能或机器学习领域高水平会议和期刊发表论文者优先
具有多模态大模型、视觉基础模型、智能体或行业智能化应用研究经验者优先
AI 洞察
优缺点分析
优点
- 岗位覆盖多模态大模型、世界模型等最前沿方向，科研与工程并重
- 工业场景数据与落地需求真实，研究成果有实际业务承载
- 对论文与开源经验明确加分，适合科研背景候选人延续学术积累
- 前沿方向研究难度大，对理论与工程能力要求都很高
- 工业数据质量参差，数据建设与清洗工作繁琐
- 模型落地需反复调试与场景适配，见效周期可能较长
- 适合在CV或多模态方向有扎实科研经历、能耐得住攻关周期、想把研究做进真实工业场景的应届硕博人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从工业场景算法攻关切入，成长为多模态方向的技术骨干
- 有高水平论文产出者可走研究专家路线
- 积累模型落地与团队协作经验后，可向AI团队负责人方向发展
- 研究视觉基础模型与多模态大模型在工业场景的核心算法，如检测、分割、异常检测
- 负责大模型的预训练、微调、评测、压缩与推理优化，并推动业务部署
- 探索多模态大模型与智能体融合的感知决策方法
- 参与工业多模态数据集的构建、清洗与增强
- 扎实的计算机视觉、深度学习与大模型理论基础
- 掌握Transformer、扩散模型、对比学习等方法，具备训练到评估全流程实操能力
- 熟悉大规模数据集构建流程，会用PyTorch/TensorFlow等主流框架
申请策略
- 面试前梳理一篇自己最熟悉的研究工作，准备深挖技术细节
- 了解工业视觉落地难点（光照、来料波动、小样本），展示场景理解力
- 列出发表的论文（会议/期刊）与引用情况，突出一作或核心贡献
- 强调多模态预训练、分布式训练、模型压缩等实战项目及量化成果
- 展示数据集建设与竞赛获奖经历，证明工程落地能力
- 补充分布式训练与推理优化的动手实践
- 跟进多模态大模型与世界模型的最新论文，准备自己的理解与批判
面试指南
- 研究介绍按动机-方法-实验-结论展开，突出自己的独立贡献
- 方法对比题先分类再比较优劣，结合实际数据情况给建议
- 落地问题强调数据、评测指标与迭代闭环的思路
- 介绍你的研究工作，创新点与实验设计是怎样的？
- 视觉语言模型与多模态对齐的主流做法有哪些？
- 大模型微调与压缩你用过哪些方法，效果如何？
- 工业场景中异常检测与开放集识别的难点是什么？
- 如何设计并清洗一个工业多模态数据集？
职位点评
薪资福利68
成长发展90
工作生活58
使命价值70
薪资福利
68中等
JD未披露薪资与福利，研究类岗位定价需面谈确认，但研究型校招岗通常有学历溢价空间。
薪资信号未披露（AI估算：1.8千–2.8万/月）
成长发展
90较高
直接从事多模态大模型与世界模型等最前沿研究，学术与工程双通道成长，发展性极强。
技术前沿前沿/新兴技术
技术栈多模态大模型、视觉基础模型、Transformer、扩散模型、PyTorch、分布式训练
业务类型ambiguous
工作生活
58较低
JD未提及办公模式与工作强度，科研攻关类岗位节奏需面试确认。
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
70中等
研究面向工业智能化落地，对制造业升级有正向价值，但JD未明确使命导向表述。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs