浪潮
卫星遥感模型算法开发工程师
卫星遥感模型算法开发工程师
发布于 4 小时前普通员工/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
Lora
Pytorch
Tensorrt
分布式训练
卫星遥感
大模型
模型量化
深度学习
目标检测
值不值得投
73综合评分
综合评分 73
济南巨头企业遥感大模型算法岗，技术前沿、社会价值高、薪资偏上，WLB情况待确认。
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，方便横向比较。
薪资怎么样
2.3万
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 480 个在招
职位详情
关于这个职位
该职位负责卫星遥感大模型的整体技术规划与研发，包括预训练、微调及轻量化部署
需要结合多源遥感数据，在农业、灾害监测等场景进行模型落地与优化，推动遥感AI技术的业务化应用
最低要求
硕士及以上学历，遥感科学与技术、计算机科学、人工智能、测绘工程、地理信息科学等相关专业
具有1-3年及以上遥感AI算法或大模型研发相关工作经验，有完整模型从训练、微调到业务落地的项目经历者优先
深入理解深度学习与大模型技术体系，熟悉Transformer、ViT、CNN等主流网络结构，掌握预训练、监督微调与迁移学习的核心方法
熟练掌握PyTorch等深度学习框架，具备大规模模型训练与分布式训练（DDP/FSDP/DeepSpeed）实践经验，了解国产算力（昇腾NPU）适配者优先
熟悉参数高效微调技术（LoRA/QLoRA/Adapter）与主流微调范式，有遥感大模型预训练或领域微调项目经验者优先
熟悉目标检测（YOLO等系列）、语义分割（SAM/SegFormer）、变化检测等遥感解译任务的主流算法，了解其在农业、灾害、自然资源等场景的应用特点与差异
了解模型轻量化与部署技术（量化、蒸馏、ONNX、TensorRT），有推理优化与在线服务化经验者优先
工作职责
负责卫星遥感大模型的整体技术规划与研发，主导遥感大模型、遥感多模态大模型的预训练、增量预训练与领域适配工作，构建面向国产算力的大模型训练技术栈
负责遥感大模型的微调能力建设，基于地物分类、目标检测、变化检测、语义分割等下游任务开展指令微调、参数高效微调（LoRA/QLoRA）与迁移学习，持续提升模型在垂直场景的精度与泛化能力
负责专业遥感模型在农业、灾害监测、自然资源、智慧城市、生态环保等验证场景的技术选型与评估，构建场景化评测基准、指标体系与回归测试集，输出模型选型建议与落地可行性结论
参与多源卫星遥感数据（光学、SAR、高光谱、时序等）的预处理、样本库构建与训练数据集建设，制定数据标注规范与质量控制流程，保障训练数据可用性
负责遥感模型的轻量化与部署推理优化，开展模型量化、知识蒸馏、ONNX/TensorRT转换及服务端/边缘侧推理性能调优，支撑低代码平台与智能体的模型能力供给
跟踪遥感大模型与视觉基础模型领域前沿技术，评估SAM、SegFormer、Prithvi、SatMAE、RemoteCLIP等开源前沿模型在业务场景应用
优先资格
有完整模型从训练、微调到业务落地的项目经历
了解国产算力（昇腾NPU）适配
有遥感大模型预训练或领域微调项目经验
有推理优化与在线服务化经验
AI 洞察
优缺点分析
优点
- 处于遥感与大模型交叉的前沿领域，技术壁垒高，行业前景广阔
- 依托巨头企业平台，能接触到大规模算力与丰富的多源遥感数据资源
- 遥感数据预处理与高质量样本库构建工作量大，需兼顾数据质量与模型效果
- 适合具备扎实深度学习基础，对遥感或计算机视觉有浓厚兴趣，且希望在大模型垂直领域深耕的算法工程师
缺点 / 挑战
- 业务场景丰富（农业、灾害、环保等），社会价值与成就感较高
- 大模型训练与微调对算力资源依赖大，国产算力适配可能存在技术挑战与调试成本
角色解读
- 可向遥感AI算法专家方向发展，深耕大模型在垂直领域的落地应用
- 也可向技术管理或架构师转型，负责整体技术规划与国产算力生态建设
- 负责卫星遥感大模型的预训练、微调及领域适配，构建面向国产算力的训练技术栈
- 针对农业、灾害监测等场景进行模型选型、评估与落地，优化模型轻量化与推理部署
- 处理多源遥感数据，构建样本库与训练数据集，跟踪评估前沿视觉基础模型
- 精通深度学习与大模型技术，熟练掌握PyTorch及分布式训练框架
- 熟悉遥感解译任务（目标检测、语义分割等）的主流算法及参数高效微调技术
- 具备模型轻量化与部署优化经验，了解国产算力适配
申请策略
- 了解公司在智慧城市、自然资源等领域的业务布局，面试时可结合具体业务场景阐述技术落地思路
- 突出大模型预训练、微调（LoRA/QLoRA）及分布式训练的实战经验
- 展示在目标检测、语义分割等CV任务或遥感解译任务中的具体项目成果与精度提升
- 强调模型轻量化、推理优化或国产算力（如昇腾）适配的相关经验
- 深入学习遥感多模态大模型的前沿论文（如SatMAE、RemoteCLIP），了解最新技术动态
- 熟悉国产算力生态（如昇腾CANN）及模型部署工具链（TensorRT、ONNX）
面试指南
- STAR法则：情境-任务-行动-结果，重点突出技术选型的思考过程和最终的业务收益
- 对比分析法：在回答技术选型时，对比不同方案（如不同微调方法、不同量化策略）的优缺点及适用场景
- 在遥感大模型微调中，如何解决小样本或数据分布不均导致的过拟合问题？
- 请分享一次模型轻量化或推理优化的经历，具体使用了哪些技术，性能提升了多少？
- 在分布式训练中，遇到过哪些通信瓶颈或显存溢出问题，是如何解决的？
- 针对农业或灾害监测场景，你会如何设计评测基准和指标体系？
- 复习Transformer、ViT等基础架构，以及LoRA、DeepSpeed等核心技术的底层原理
- 准备1-2个完整的项目案例，涵盖从数据处理、模型训练到部署落地的全流程
职位点评
薪资福利75
成长发展85
工作生活50
使命价值80
薪资福利
75中等
薪资在济南地区具有较强竞争力，结合大模型技能溢价，整体薪酬回报较好。
薪资信号偏高 (1.5千–3万/月)
成长发展
85较高
岗位涉及大模型预训练、微调及国产算力适配，技术栈前沿，能极大提升个人在AI垂直领域的核心竞争力。
技术前沿前沿/新兴技术
技术栈大模型、PyTorch、分布式训练、LoRA、Transformer、ViT、TensorRT、ONNX
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与加班情况，但大模型研发岗位通常面临一定的算力调试与项目交付压力，WLB情况需进一步确认。
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
80较高
技术应用于灾害监测、生态环保、农业等场景，具有显著的正向社会价值与使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs