Pony AI logo
小马智行
算法工程师 - 端到端模型-北京

算法工程师 - 端到端模型-北京

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
其它
本科
全职员工仅现场办公自动驾驶
自动驾驶
Cuda/Tensorrt
Numpy
Pytorch
机器学习
深度学习
端到端模型
计算机视觉

值不值得投

76综合评分

综合评分 76

前沿自动驾驶算法岗,技术成长和落地价值突出,WLB信息未披露

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,方便横向比较。

薪资怎么样

5.0万

比自动驾驶中位数高

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 110 个在招 · 其中自动驾驶 13 个

市场机会

选择面较广

北京 · 自动驾驶 · 约 230 个在招

职位详情

关于这个职位

该岗位聚焦自动驾驶端到端模型研发,参与感知基础模型、决策规划或世界模型等方向的技术探索与落地

你将基于深度学习和大模型相关技术构建算法方案,并推动其在L4全无人车辆和量产平台上的部署验证

最低要求

计算机相关专业本科以上学历

熟练掌握Python/C++,具备良好的工程能力和严谨的编程习惯
熟悉PyTorch/NumPy等深度学习框架和张量运算库
对深度学习技术充满热情,有从零到一构建模型的经验
熟悉机器学习基础知识,能够对前沿技术建立自己的知识体系和深入理解
具备持续学习和自主钻研精神

工作职责

在这个岗位上,你将能:

学习行业前沿的深度学习技术
与技术大牛进行深入的思维碰撞
在深度模型与算法的结合上创造新的火花
让你的技术方案在行业顶尖的L4全无人车辆上进行部署

优先资格

加分项:

在机器学习/计算机视觉相关的高水平学术会议上发表过论文
具备出色的算法能力,在ACM/NOI/IOI等算法赛事上取得过名次
有受到认可的大型开源项目开发经验
有CUDA/TensorRT等平台上的底层算子开发经验
方向一:算法工程师 - AI团队 - 端到端感知/基础模型
背景要求:有计算机视觉、3D检测/分割、多传感器融合、目标跟踪、视频理解、多任务训练、基础模型结构设计、模型蒸馏等相关领域的工程或研究经历
方向二:算法工程师 - AI团队 - 端到端决策规划
背景要求:有轨迹规划/预测、强化学习、模仿学习、生成模型、控制理论等相关领域的工程或研究经历
方向三:算法工程师 - AI团队 - 世界模型
背景要求:有生成模型(Diffusion / Flow Matching / GAN)、交通流预测/生成、强化学习等相关领域的工程或研究经历

AI 洞察

优缺点分析

优点

  • 岗位直接面向自动驾驶端到端模型和L4全无人车辆部署,技术场景真实且落地价值高
  • JD明确提到前沿深度学习、基础模型、世界模型等方向,适合希望跟踪并实践AI前沿技术的求职者
  • 提供感知/基础模型、决策规划、世界模型多个方向,候选人可结合已有研究或工程背景匹配
  • 与高水平团队协作和前沿技术实践机会较多,有助于积累自动驾驶核心算法经验
  • 端到端自动驾驶涉及模型、算法、工程部署和车辆场景验证,技术复杂度高
  • 适合具备扎实深度学习与工程能力,对自动驾驶端到端模型有强烈兴趣,并希望在真实L4场景中落地算法的研究型或工程型候选人

缺点 / 挑战

  • JD要求从零到一构建模型经验,并偏好论文、竞赛、开源或底层算子经验,竞争门槛较高
  • 自动驾驶算法落地需要兼顾安全性、实时性和泛化能力,单纯模型指标提升可能不足以解决问题

角色解读

  • 初期可深耕端到端感知、决策规划或世界模型某一方向,成长为自动驾驶AI算法专家
  • 中期可向模型架构设计、车端部署优化、多模态融合或全栈端到端系统方案负责人发展
  • 长期可发展为技术专家、算法负责人,或转向自动驾驶产品与技术战略相关的复合型角色
  • 参与自动驾驶端到端模型研发,覆盖感知基础模型、决策规划或世界模型等方向,根据团队方向完成算法设计与模型训练
  • 将深度学习模型与自动驾驶业务场景结合,处理3D检测、多传感器融合、轨迹预测、生成模型或强化学习等具体问题
  • 推动算法方案从研究验证到工程落地,并在L4全无人车辆或量产平台中进行部署和效果验证
  • 跟踪前沿AI技术,与团队成员进行技术方案讨论,持续优化模型性能、泛化能力和工程效率
  • 需要扎实的Python/C++工程能力,能够完成模型训练、数据处理、算法实现和部署相关开发
  • 需要熟悉PyTorch、NumPy等深度学习框架和张量运算库,理解机器学习基础与深度模型训练流程
  • 根据方向不同,还需具备计算机视觉、3D检测/分割、多传感器融合、轨迹规划、强化学习、模仿学习或生成模型等专项能力
  • 需要具备自主钻研和持续学习能力,能够阅读前沿论文并转化为可落地的工程方案

申请策略

  • 投递前建议判断自己更匹配感知/基础模型、决策规划还是世界模型方向,并在简历和沟通中明确主攻方向
  • 面试前了解小马智行在Robotaxi和自动驾驶量产方面的业务进展,准备将个人技术经历与真实自动驾驶场景关联起来
  • 突出与投递方向直接相关的项目经历,例如3D检测、多传感器融合、轨迹预测、强化学习、模仿学习、Diffusion或世界模型
  • 明确写出使用Python、C++、PyTorch、NumPy的具体工程实践,包括数据规模、模型结构、训练策略和评估指标
  • 如果有论文、算法竞赛名次、大型开源项目或CUDA/TensorRT算子开发经历,应放在显眼位置并说明个人贡献
  • 强调模型从训练到部署的完整链路经验,尤其是性能优化、车端部署、实时性或泛化问题处理
  • 可补充端到端自动驾驶相关技术栈,如BEV感知、Occupancy、多传感器融合、轨迹预测、模仿学习或Diffusion生成模型
  • 加强C++工程能力和模型部署能力,熟悉CUDA、TensorRT或推理优化有助于提升竞争力

面试指南

  • 项目类问题采用“背景—目标—方案—实验—结果—反思”的结构,重点说明个人贡献和可量化结果
  • 技术类问题先讲问题本质,再讲主流方法对比,最后结合自己的项目经验说明选择理由和取舍
  • 落地类问题从数据分布、模型泛化、实时性、部署链路、安全冗余和真实场景反馈几个维度展开
  • 请介绍一个你从零到一构建深度学习模型的经历,包括问题定义、数据、模型设计和最终结果
  • 你最熟悉端到端感知、决策规划还是世界模型方向?请讲清楚该方向的关键技术难点
  • 在自动驾驶场景中,如何评估一个模型是否真正具备落地价值?
  • 请解释PyTorch训练中遇到过的一个性能或稳定性问题,以及你是如何定位和解决的
  • 如果模型在仿真或离线数据中表现很好,但在真实车辆上效果下降,你会如何排查?

职位点评

薪资福利78
成长发展92
工作生活48
使命价值82

薪资福利

78中等

JD未披露薪资与福利信息,但岗位属于高门槛算法研发方向,通常对具备相关能力的候选人具有较强薪资吸引力。稳定性与福利信息未提及,需面试确认。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

92较高

岗位明确涉及前沿人工智能、端到端模型、基础模型、世界模型和L4车辆部署,技术成长空间突出。JD还提到学习前沿深度学习技术与高水平团队思维碰撞,发展性信号强。

技术前沿前沿/新兴技术
技术栈人工智能、端到端模型、深度学习、PyTorch、NumPy、基础模型、模型蒸馏、强化学习、模仿学习、生成模型、Diffusion、Flow Matching、GAN、CUDA、TensorRT
成长机会学习行业前沿的深度学习技术、与技术大牛进行深入的思维碰撞、在深度模型与算法的结合上创造新的火花
业务类型ambiguous

工作生活

48较低

JD仅说明北京全职,未提及远程、弹性办公、双休或加班情况,因此生活化动机满足程度难以判断。工作地点和办公模式细节需要在投递或面试时确认。

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

82较高

岗位目标是将端到端模型驱动的自动驾驶解决方案部署到L4 Robotaxi与量产车,具有较强的技术应用价值和行业前景。JD强调创造真实价值,但社会使命类表述相对有限。

行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号创造价值的同学、让你的技术方案在行业顶尖的L4全无人车辆上进行部署
创新程度积极采用新技术
Watch Jobs