DiDi logo
滴滴出行
算法实习生(地图事业部)-MJ020840

算法实习生(地图事业部)-MJ020840

发布于 1 天前

实习/见习

AI 估算 · 6.0千–1.0万 · AI 参考估算
中国
无经验要求
学历未注明
实习生仅现场办公算法工程师
算法工程师
Agent训练
Pytorch
地图数据
多传感器融合
多模态大模型
工具调用
视觉定位
视觉语言模型
轨迹建模

值不值得投

69综合评分

综合评分 69

前沿多模态定位算法实习,技术成长强,薪资福利与办公模式未披露。

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,方便比较实习机会。

薪资怎么样

8.0千

比算法工程师中位数低

发布情况

新岗位 · 昨天发布

公司情况

这家公司招聘很活跃

约 2450 个在招 · 其中算法工程师 8 个

市场机会

选择面较广

算法工程师 · 约 140 个在招

职位详情

关于这个职位

这是滴滴出行地图事业部的多模态定位算法实习岗位,主要围绕 GPS、Wi-Fi、IMU 与图像信息的融合开展算法探索,提升弱信号环境下的定位精度和稳定性

你将参与多模态大模型微调、定位任务数据构建、对照实验设计,以及定位 Agent 的训练方法探索

最低要求

任职要求

熟悉多模态大模型微调,有视觉语言模型的数据处理、训练和效果评估经验
熟悉 Agent 训练的基本流程,了解面向工具调用或多步决策的训练数据构建与评估方法
能使用 Python 和 PyTorch 开展算法实验

工作职责

岗位职责(具体工作内容)

多模态定位算法实习生
岗位职责
探索 GPS、Wi-Fi、IMU 等定位信号与图像信息的融合方法,利用图像中的地标、招牌和场景布局等线索,提升弱信号环境下的定位精度和稳定性
参与定位任务的数据构建与多模态大模型微调,设计对照实验,分析视觉信息在哪些场景下能改善定位,以及哪些线索容易造成误判
探索定位 Agent 的训练方法,使其能够根据场景和信号质量选择信息源、调用定位工具,并综合多种证据判断位置

优先资格

有多传感器融合、视觉定位、轨迹建模或地图数据相关项目经验者优先

AI 洞察

优缺点分析

优点

  • 岗位聚焦多模态大模型、视觉定位与 Agent,技术方向较新,适合希望积累前沿算法经验的实习生
  • 工作内容覆盖数据构建、模型微调、实验设计和效果分析,能训练完整的算法实验闭环能力
  • 地图定位场景具有明确业务落地价值,有助于理解算法在真实出行与地图产品中的应用
  • 与多传感器融合、轨迹建模、地图数据相关的项目经验可形成较强的技术积累
  • 多模态定位涉及视觉、传感器、地图数据和模型训练,技术跨度较大,学习曲线较陡
  • Agent 训练与工具调用仍属于快速演进方向,可能面临方法不稳定、评估标准不清晰的问题
  • 适合具备 Python、PyTorch 和多模态模型实验基础,对视觉定位、地图智能和 Agent 训练有兴趣的算法实习生

缺点 / 挑战

  • 实习岗位需要快速开展实验并输出分析结论,对数据处理、实验设计和问题定位能力要求较高

角色解读

  • 短期可积累多模态定位、视觉语言模型微调和 Agent 训练的实验经验,提升算法研究与工程落地能力
  • 后续可向多模态算法工程师、定位算法工程师、地图智能算法方向深入发展
  • 若持续强化科研能力和系统能力,也可进一步走向高级算法研究、技术专家或算法团队管理路线
  • 研究 GPS、Wi-Fi、IMU 等定位信号与图像信息的融合方法,利用地标、招牌、场景布局等视觉线索改善弱信号环境下的定位效果
  • 参与定位任务的数据构建与多模态大模型微调,设计实验并分析不同视觉线索对定位精度的影响和误判原因
  • 探索定位 Agent 的训练方法,让模型能根据场景和信号质量选择信息源、调用定位工具并综合判断位置
  • 需要具备多模态大模型微调经验,熟悉视觉语言模型的数据处理、训练流程与效果评估
  • 需要了解 Agent 训练、工具调用或多步决策相关的数据构建和评估方法
  • 需要熟练使用 Python 和 PyTorch 开展算法实验,并具备多传感器融合、视觉定位、轨迹建模或地图数据相关项目背景更佳

申请策略

  • 申请时建议围绕“弱信号定位如何用视觉信息提升稳定性”准备一段清晰的技术表达
  • 可提前了解地图、出行定位场景中的典型难点,如遮挡、招牌误识别、场景相似、信号漂移等,并在沟通中体现问题分析能力
  • 重点突出与视觉语言模型、多模态大模型微调相关的项目,包括数据来源、训练方法、评估指标和最终效果
  • 展示 Python、PyTorch 实验能力,最好补充数据处理、模型训练、消融实验或误差分析的具体经历
  • 如果有 Agent、工具调用、多步决策、多传感器融合、视觉定位、轨迹建模或地图数据项目,应单独列出并说明个人贡献
  • 强调实验设计能力,例如如何设置对照组、如何判断视觉线索是否有效、如何分析误判原因
  • 面试前可复习多模态大模型微调、视觉语言模型数据处理和常见评估方法,准备可讲清楚的项目细节
  • 补充 Agent 训练、工具调用数据构建、多步决策评估等相关知识,了解常见框架和评测思路

面试指南

  • 项目类问题采用“背景目标—数据构建—方法设计—实验评估—问题复盘”的结构回答,突出自己的具体贡献
  • 实验设计类问题先明确评估目标,再说明对照组、指标、变量控制和误差分析方法,最后讨论结论边界
  • 技术方案类问题可从信息源质量判断、融合策略、失败案例和工程可落地性四个角度展开
  • 请介绍一个你做过的多模态大模型微调项目,包括数据、模型、训练策略和评估指标
  • 如何设计实验验证图像信息是否真的提升了定位精度?你会设置哪些对照组和指标?
  • 在 GPS、Wi-Fi、IMU 和图像信息融合中,如何处理不同信息源质量不稳定或相互冲突的情况?
  • 你如何理解 Agent 训练中的工具调用和多步决策?如何构建相关训练数据与评估标准?
  • 使用 Python 和 PyTorch 做算法实验时,你如何管理数据、实验记录和结果复现?

职位点评

薪资福利62
成长发展88
工作生活45
使命价值72

薪资福利

62中等

JD 未披露薪资和福利信息,因此补偿性动机只能基于实习岗位性质作有限判断。作为算法实习,通常能提供技术实践价值,但薪资福利承诺在 JD 中没有明确体现。

薪资信号未披露(AI估算:6.0千–1.0万/月)

成长发展

88较高

岗位明确涉及多模态大模型微调、Agent 训练、多传感器融合和定位实验设计,技术成长信号强。虽然未提及导师制或晋升通道,但对算法实习生的技能训练非常直接。

技术前沿前沿/新兴技术
技术栈多模态大模型微调、视觉语言模型、Agent训练、工具调用、多步决策、Python、PyTorch、多传感器融合、视觉定位、轨迹建模、地图数据
业务类型ambiguous

工作生活

45较低

JD 未明确说明远程、混合办公、弹性工时或加班情况,生活化动机相关信息不足。工作地点仅写明中国,通勤和办公灵活性无法从 JD 判断。

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

72中等

岗位与地图定位、出行场景相关,提升弱信号环境下定位精度和稳定性具有一定实际应用价值。JD 未直接描述社会使命或行业愿景,意义感主要来自技术应用场景。

行业发展新兴领域(暂难判断)
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs