云端大模型算法实习生-2027届

优缺点分析

角色解读

• 实习期表现优异可转正，正式入职后深入参与核心算法研发
• 向自动驾驶感知算法专家或大模型算法专家方向发展
• 未来可晋升为技术团队骨干或项目负责人，参与前沿技术路线制定
• 负责云端大模型算法的研发与优化，聚焦自动驾驶场景下的视觉/点云生成式算法
• 探索前沿技术如重建、深度估计、语义分割、光流等方向
• 基于海量量产数据，研发无监督/自监督算法，提升大模型的语义理解和空间感知能力
• 扎实的C++/Python编程能力及数据结构与算法基础
• 深入理解自动驾驶感知算法，如BEV感知、3D检测、Occupancy Network、NeRF等
• 熟悉无监督/自监督学习、生成式模型等前沿技术
• 具备相关科研或项目经验（如NeRF、3D场景生成、传感器仿真）

申请策略

• 关注小米汽车和自动驾驶部门的最新动态，面试时展现对业务的了解
• 提前准备一个自己最擅长的算法项目，能深入讲解技术细节和创新点
• 突出自动驾驶感知相关项目经验，尤其是BEV、Occupancy Network、NeRF等方向
• 展示C++/Python编程能力，可附上GitHub或代码样例
• 强调学术成果（论文、竞赛）或开源贡献，体现研究深度
• 如有无监督/自监督学习或生成式模型经验，务必重点提及
• 复习经典论文（如BEVFormer、Occupancy Networks、NeRF等），吃透原理
• 动手复现相关算法，熟悉常用的自动驾驶开源框架（如MMDetection3D等）

面试指南

• 对于算法原理类问题：先简述概念，再分析优缺点，最后结合自己经验或改进思路
• 对于开放设计类问题：明确目标，提出方案，比较不同选择的trade-off，总结可行性
• 对于编程题：先确认输入输出，写出思路伪代码，再实现，注意边界条件和复杂度
• 请详细讲解BEV感知中如何将多视角图像转换到鸟瞰图，常用方法有哪些？
• Occupancy Network相比传统3D检测有什么优势？实现中的关键挑战是什么？
• 你用过NeRF吗？谈谈你对NeRF及其在自动驾驶中应用的理解
• 如何设计一个无监督或自监督的学习任务来提升模型的空间感知能力？
• 编写代码实现一个简单的3D目标检测的损失函数（如Focal Loss）