小米
自动驾驶数据挖掘算法开发实习生（LLM/VLM方向）-2027届
自动驾驶数据挖掘算法开发实习生（LLM/VLM方向）-2027届
发布于 大约 14 小时前实习/见习
武汉市
无经验要求
实习生
仅现场办公
本科
机器学习工程
Llm
Pytorch
Tensorflow
Vlm
多模态
大模型
数据挖掘
自动驾驶
AI 估算 · 4k–6k
武汉实习薪资，大模型方向有加成，但实习普遍不高，月薪约4-6k。
职位详情
关于这个职位
基于LLM/VLM多模态大模型，面向自动驾驶海量路测数据开展智能数据挖掘算法研发，替代传统规则化挖掘方式，提升挖掘效率和精准度
你将负责原子场景模型微调训练、挖掘模板搭建和前沿算法工程化落地，参与自动驾驶场景库建设
适合对大模型与自动驾驶交叉领域有浓厚兴趣、希望在真实业务场景中积累实战经验的同学
最低要求
一）基础通用要求
本科及以上在读，计算机、人工智能、自动化、机器学习、计算机视觉、统计学等相关专业
具备扎实的深度学习、机器学习、计算机视觉基础理论知识，熟悉大模型、多模态算法基本原理
熟练掌握Python开发，熟悉PyTorch/TensorFlow主流深度学习框架，熟练使用Linux开发环境，熟悉常用数据处理工具
逻辑思维清晰，具备优秀的抽象归纳、问题分析和算法工程落地能力，对自动驾驶场景数据敏感，具备较强的标准化、体系化搭建思维
工作认真负责、主动性强，具备良好的沟通能力和团队协作能力，能承受一定的研发迭代压力
实习时间：每周 ≥ 4 天，稳定 ≥ 3 个月
（二）核心专业要求
大模型训练与挖掘能力：了解LLM大语言模型、VLM多模态大模型技术原理与训练流程，具备完整的大模型数据预处理、模型训练、微调、Prompt工程、模型适配相关实践经验，能够基于大模型完成自动驾驶场景数据训练与智能挖掘
需求抽象与模板化沉淀能力：具备业务需求抽象归纳能力，能够从各类自动驾驶挖掘需求中提炼通用范式，设计、搭建和迭代标准化可复用挖掘模板，实现场景挖掘能力的模块化、常态化复用，规避重复开发，提升挖掘链路整体效率
前沿算法与工程落地能力：持续关注自动驾驶场景识别、多模态理解、智能数据挖掘前沿技术，具备算法调研、复现、改造及工程化落地能力，可将新算法无缝集成至现有数据挖掘链路
量化优化能力：熟悉模型效果评估体系，能够通过准召率、覆盖率等核心指标量化分析挖掘效果，针对性完成模型与策略迭代优化
工作职责
大模型赋能数据挖掘研发：基于LLM、VLM多模态大模型，针对自动驾驶海量路测数据、场景数据开展智能数据挖掘算法研发，替代传统规则化挖掘方式，优化数据挖掘效率与精准度
原子场景模型微调与训练优化：拆解自动驾驶各类复杂驾驶场景，提炼标准化原子场景单元，负责数据集清洗、筛选、标注规整，独立完成LLM/VLM模型的训练、微调、参数调优与场景适配迭代，持续提升场景数据挖掘的准确率、召回率，保障挖掘结果满足自动驾驶算法迭代、场景库建设的核心需求
挖掘需求抽象与可复用模板搭建：对接自动驾驶各业务线数据挖掘需求，摒弃单次零散化挖掘模式，负责抽象、归纳各类场景挖掘需求的通用逻辑与核心规则，拆解、提炼标准化流程，搭建可复用、可迭代的场景数据挖掘模板库，实现不同业务需求的快速适配、复用，提升团队数据挖掘整体效率与标准化程度
前沿算法调研与工程落地：持续跟踪自动驾驶场景分析、多模态识别、智能数据挖掘领域前沿算法与技术，结合业务现有挖掘链路，完成新算法的适配、改造、验证与工程化落地，迭代优化现有数据挖掘流水线
常规技术支撑：配合团队完成数据评测、场景效果分析、技术文档撰写、算法迭代效果汇报等日常工作，保障算法研发与落地工作有序推进
优先资格
（三）优先加分项
有自动驾驶、智能驾驶场景数据挖掘、场景理解、多模态算法研发实习或项目经验者优先
有LLM/VLM微调、多模态数据筛选、智能样本挖掘、数据闭环搭建相关实战经验者优先
熟悉自动驾驶典型场景（高速、城市道路、泊车等）、交通参与者特征及数据挖掘流程者优先
有顶会论文阅读、算法复现、工程化落地相关经验者优先
AI 洞察
优缺点分析
优点
- 前沿技术：直接接触LLM/VLM在自动驾驶数据挖掘中的落地，技术栈新且含金量高
- 大厂平台：小米资源丰富，数据规模大，能积累真实业务场景的工程经验
- 成长空间：参与从算法研究到工程化的完整链路，锻炼抽象归纳和系统化思维
- 团队支撑：与自动驾驶业务线合作，理解产业需求，为后续择业增加筹码
- 实习不确定性：转正机会未明确，需主动争取
- 适合对大模型与自动驾驶交叉领域有强烈兴趣、具备一定训练经验、且愿意在快节奏中快速成长的同学
缺点 / 挑战
- 高压环境：要求能承受研发迭代压力，可能需要加班追赶进度
- 复合技能需求：既要有大模型经验，又要懂自动驾驶场景，入门门槛较高
角色解读
- 积累多模态大模型在自动驾驶场景的实战经验，成为紧缺的AI+汽车复合型人才
- 可从算法实习生晋升为正式算法工程师，未来可向大模型应用、自动驾驶感知或数据引擎方向深耕
- 标准化的模板建设和数据挖掘方法论，可迁移至其他AI业务，拓宽职业弹性
- 基于LLM/VLM大模型，针对自动驾驶路测和场景数据设计智能挖掘算法，替代传统规则方法，提升数据利用效率
- 负责原子场景的拆解与标准化，完成数据集清洗、筛选和标注，并进行模型训练、微调和参数优化，提升准确率与召回率
- 抽象各业务线的挖掘需求，搭建可复用的场景挖掘模板库，推动挖掘流程的标准化和模块化
- 持续调研前沿算法并落地到现有流水线，承担数据评测、文档撰写等日常支撑工作
- 扎实的深度学习、机器学习和计算机视觉基础，熟悉大模型与多模态算法原理
- 熟练掌握Python，熟练使用PyTorch/TensorFlow，熟悉Linux环境和常用数据处理工具
- 具备实际的大模型训练、微调、Prompt工程和模型适配经验，了解数据闭环
- 良好的抽象归纳和工程落地能力，能用量化指标评估模型效果并迭代优化
申请策略
- 在简历和自荐信中明确表达对自动驾驶数据挖掘的热情，并展示自己对业务的理解
- 关注小米自动驾驶部门的动态，了解其技术方向，在面试中结合公司实际场景答题
- 突出LLM/VLM相关的项目或实习，尤其是数据预处理、微调、评估等完整流程
- 强调自动驾驶或场景理解的项目经历，即使课程作业也可展示对场景数据的敏感度
- 展示代码能力，比如Python、PyTorch/TensorFlow，以及Linux下的开发经验
- 如有论文或算法复现经历，务必体现，证明工程落地能力
- 若能提前了解自动驾驶常见场景（高速、城市、泊车）和数据结构，更易匹配
- 熟悉Prompt工程、LoRA等高效微调方法，并动手完成一个小型VLM训练任务
面试指南
- 用STAR法则回答项目经历：情境、任务、行动、结果，突出量化成果
- 对于算法设计问题，可先阐述业务目标，再提出方案，并说明如何验证和迭代
- 强调工程化思维：不只谈算法，也要考虑数据、算力、可维护性
- 请介绍你做过的一个LLM/VLM微调项目，遇到什么问题，如何优化？
- 如何从大量自动驾驶场景数据中高效挖掘有价值的样本？传统方法与LLM方法有何区别？
- 你如何设计一个评估指标来验证数据挖掘算法的效果？
- 如何将一个新算法集成到现有数据挖掘流水线中？
- 你对自动驾驶场景有哪些了解？如何拆解原子场景？
职位点评
65
综合评分
自动驾驶大模型数据挖掘实习，前沿技术成长快，但薪资未知且工作强度较大。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
更适合这类人
适合追求前沿技术成长、对大模型和自动驾驶交叉领域有热情的同学，对薪资和WLB要求不高。
表现最好
成长发展
相对薄弱
薪资福利
薪资福利40
成长发展85
工作生活50
使命价值70
薪资福利
40较低
实习薪资未披露，福利未提及，属于不确定性较高的补偿性回报，满足度有限。
薪资信号未披露（AI估算：4K-6K/月）
成长发展
85较高
核心工作涉及LLM/VLM前沿技术，实战机会多，成长速度快，发展性满足度高。
技术前沿前沿/新兴技术
技术栈LLM、VLM、PyTorch、TensorFlow、数据挖掘
业务类型ambiguous
工作生活
50较低
需现场办公，每周至少4天且要求承受研发压力，工作节奏可能较紧张。
工作模式仅现场办公
办公地点未明确
加班情况JD含高强度暗示词
使命价值
70中等
自动驾驶行业前景广阔，岗位对技术和产业有正面价值，但社会影响不直接，意义感中等。
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
小米 的其他在招职位
相似职位推荐
Watch Jobs