数据算法实习生-2027届

优缺点分析

角色解读

• 实习表现优异可转正为正式算法工程师，深入参与自动驾驶核心算法的研发
• 积累世界模型和视觉大模型经验后，可向更高阶的感知、决策规划方向进阶
• 发表顶会论文或主导开源项目，成为行业内有影响力的技术专家
• 研究和实现自动驾驶世界模型，比如用扩散模型生成逼真的驾驶场景，用于仿真和验证
• 改进视觉基座大模型，提升深度估计、语义分割、光流估计等任务的精度和泛化能力
• 与研究员和工程师合作，将前沿算法应用到实际自动驾驶系统中，进行实验和调优
• 扎实的深度学习基础，熟悉Diffusion、NeRF、3DGS、VLM等主流生成式模型
• 优秀的编程能力，熟练使用PyTorch/TensorFlow等框架，有大规模数据处理经验
• 良好的英文文献阅读和论文复现能力，能够快速理解最新研究成果并改进

申请策略

• 在简历和作品中展示你对自动驾驶场景的理解，比如用生成模型解决corner case的创意
• 关注小米汽车的动态，面试时体现对公司技术路线的了解，有助于加分
• 重点突出在生成式模型（Diffusion, NeRF等）或世界模型、3D重建方面的项目/论文经验，说明你在其中承担的角色和贡献
• 列出你熟悉的框架和工具，如PyTorch、CUDA，以及参加过的大规模训练或数据处理工作
• 如果有开源项目或比赛获奖（如CVPR、Kaggle），务必醒目展示，并附上GitHub链接
• 深入研读自动驾驶世界模型和NeRF最新论文（如Tesla的Occupancy Network、UniScene等），并尝试复现
• 补充强化学习或多模态大模型的基础知识，了解VLM在自动驾驶中的应用场景

面试指南

• STAR法则（情境、任务、行动、结果）来讲述项目经验，突出技术细节和自己的贡献
• 对模型理解题：先简述核心原理（如扩散的正逆过程），再结合实际应用（如场景生成）说明其优缺点和改进方向
• 请详细介绍你做过的一个AIGC项目，遇到过什么挑战，如何解决的？
• Diffusion模型中训练和采样的关键参数有哪些？如何提升生成质量？
• 世界模型与常见视觉模型（如ResNet、ViT）有什么区别？它如何帮助自动驾驶？
• 你对自动驾驶中的哪些子任务感兴趣？请谈谈世界模型在仿真中的潜在应用
• 复习Diffusion、NeRF、3DGS的数学推导和代码实现，准备一个完整的项目案例
• 阅读小米自动驾驶相关公开技术博客或论文，了解其技术路线