算法工程师（Prediction）-北京/广州

优缺点分析

角色解读

• 技术专家路线：深耕预测算法或大模型在自动驾驶的应用，成为该领域的技术权威
• 技术管理路线：在成为团队技术骨干后，可带领小团队负责更复杂的模块或子系统研发
• 行业影响力路线：通过发表顶会论文、主导开源项目，在学术界和工业界建立个人品牌
• 研发用于预测其他车辆和行人未来轨迹的复杂算法，这是自动驾驶决策规划的关键输入
• 探索和应用最新的多模态大模型技术，从海量路测数据中自动发现和诊断边缘场景，以迭代优化系统
• 构建智能体框架来实现自动化测试、数据标注和评估，提升算法开发效率
• 将先进的AI模型进行工程化落地，包括微调、加速和部署到车载计算平台
• 扎实的机器学习、深度学习理论基础，特别是计算机视觉和序列预测领域
• 熟悉自动驾驶技术栈，了解感知、预测、规控模块，尤其是轨迹预测方向
• 具备大模型（LLM/VLM）的应用或研究经验，了解其在多模态任务中的潜力
• 出色的编程能力（Python，C++为佳）和工程实践能力，熟悉PyTorch/TensorFlow等框架

申请策略

• 研究小马智行的技术博客和论文：了解其技术路线、当前重点和挑战，以便在面试中展现你的思考和匹配度
• 准备对‘预测’模块的深度见解：思考如何评价一个预测算法的好坏，以及预测如何影响下游规控模块
• 突出与职位相关的学术成果：如在顶级会议/期刊上发表的轨迹预测、多模态学习或自动驾驶相关论文
• 展示竞赛经历：包括Kaggle、轨迹预测挑战赛等数据竞赛的获奖经历或名次，证明解决复杂问题的能力
• 详述相关项目经验：尤其是涉及模型训练（SFT/RLHF）、模型部署（加速、量化）或参与开源大模型项目的经历
• 强调编程和系统能力：列出熟悉的Python/C++、深度学习框架、自动驾驶工具链等技术栈
• 深入理解自动驾驶预测模块：复习经典与最新的轨迹预测算法（如基于社会力、RNN、Transformer的方法）
• 学习大模型在自动驾驶的应用：关注如何利用LLM/VLM进行场景理解、数据挖掘和决策规划

面试指南

• 对于项目问题：使用STAR原则（情境、任务、行动、结果），重点描述你的技术选型、遇到的具体困难以及最终的效果量化
• 对于方案设计问题：分步骤阐述（数据->模型->训练->部署->评估），并考虑实际约束（如算力、实时性）
• 对于行业认知问题：结合你的理解，展示对技术趋势的思考（如Transformer在自动驾驶中的应用），并关联到自己的兴趣和技能
• 请介绍一个你过去做过的最复杂的轨迹预测或相关项目，遇到了什么挑战，是如何解决的？
• 你如何看待端到端自动驾驶架构？其中预测模块（如果有）应该扮演什么角色？
• 如果让你设计一个多模态大模型来诊断自动驾驶的失败案例（Issue Triage），你会怎么做？
• 如何平衡预测算法的准确性（Accuracy）和实时性（Latency）？有哪些优化手段？
• 你为什么选择自动驾驶行业？对小马智行的技术路线有什么了解或看法？