地平线
端到端算法工程师（大规模训练与增量学习方向）
端到端算法工程师（大规模训练与增量学习方向）
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Pytorch
增量学习
大规模训练
持续学习
数据配比
值不值得投
78综合评分
综合评分 78
自动驾驶前沿算法岗，技术栈顶尖、成长空间大，但研发压力与WLB情况未明。
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
5.5万
比算法优化工程师中位数高
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 430 个在招 · 其中算法优化工程师 5 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 310 个在招
职位详情
关于这个职位
该职位主要负责端到端自动驾驶算法的大规模训练策略设计与增量式学习算法研究
你需要解决模型训练中的灾难性遗忘、数据配比优化及模型结构动态扩展等核心问题，以提升模型收敛质量与训练效率
最低要求
学历背景： 计算机科学、人工智能、数学、统计学或相关专业博士，或硕士具有2年以上相关领域研究经验
技术能力：
· 熟悉各类优化器（AdamW、Lion、Shampoo等）的行为特性及超参数敏感性
· 对增量学习、持续学习、元学习或在线学习领域有系统性研究
· 研究能力： 具备扎实的数学功底（凸优化、概率统计、线性代数），能够独立完成算法推导、复杂度分析及收敛性论证
具备敏锐的实验设计能力，能从实验现象中抽象出可泛化的算法规律
· 工程实现能力： 熟练使用PyTorch，能够快速实现论文算法并进行验证性实验
具备良好的代码规范，能独立构建可复现的实验流水线（数据处理→训练→评测）
工作职责
大规模训练策略设计： 研究并设计适用于海量数据的高效训练方法论，包括但不限于梯度裁剪&累积，学习率&bs动态调整，数据配比（Data Mixing）的最优方案，在保证模型收敛质量的前提下显著提升训练效率
增量式训练算法研究与创新： 专注于增量式训练与持续学习（Continual Learning） 的算法设计，深入研究：
模型结构动态扩展（Model Growth）：设计对Transformer架构的智能扩增算子，以及函数行为一致性
知识巩固与抗遗忘机制：设计新型的正则化约束、经验回放策略或参数隔离方法，解决灾难性遗忘问题
Machine Unlearning：设计高效训练策略解决对特定数据的精准遗忘问题
训练数据策略优化：研究不同阶段（预训练、新车型拓展、后训练对齐）的数据分布变化对模型性能的影响，提出最优的数据调度策略
优先资格
· 在ICML、NeurIPS、ICLR、JMLR等顶级会议/期刊上发表过关于大规模训练策略、持续学习或模型扩增方向的论文
· 有在多任务、多模态或终身学习场景下设计增量训练算法的实际项目经验
· 熟悉元学习（Meta-Learning）或贝叶斯非参数方法，并能将其与增量训练问题结合
· 对强化学习算法有深入理解，能在增量框架下设计更稳定的策略微调方法
AI 洞察
优缺点分析
优点
- 处于自动驾驶端到端算法这一行业最前沿赛道，技术壁垒高，个人技术成长空间巨大
- 能够接触到海量数据与大规模训练场景，积累解决复杂工程与算法问题的宝贵经验
- 大规模训练与增量学习属于学术界与工业界的前沿难题，需要极强的数学功底与持续的研究创新能力
- 算法落地对工程实现要求极高，需要在保证模型性能的同时兼顾训练效率与资源消耗
- 具备扎实数学基础与顶会论文发表经验，对自动驾驶与大规模模型训练有浓厚兴趣的算法研究人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 在自动驾驶端到端算法这一前沿领域深耕，成为大规模训练与持续学习方向的专家
- 未来可向算法架构师或AI技术负责人方向发展，主导核心算法的演进与落地
- 设计并优化端到端自动驾驶模型的大规模训练策略，包括梯度裁剪、学习率调整和数据配比等
- 研究增量式训练与持续学习算法，解决模型在持续学习中的灾难性遗忘问题，并设计模型结构动态扩展机制
- 扎实的数学功底与算法推导能力，熟悉凸优化、概率统计及各类优化器特性
- 熟练使用PyTorch进行工程实现，具备独立构建可复现实验流水线的能力
申请策略
- 提前了解地平线在端到端自动驾驶领域的最新技术布局与产品落地情况，面试时结合业务场景探讨算法优化方向
- 重点突出在ICML、NeurIPS等顶会发表的关于大规模训练、持续学习或模型扩增的论文
- 详细展示在PyTorch框架下构建高效训练流水线的工程经验，以及解决灾难性遗忘等具体问题的项目成果
- 深入研读近期关于Machine Unlearning、Model Growth及Data Mixing的最新顶会论文，掌握前沿方法论
- 提升分布式训练与大规模集群调优的实践经验，熟悉各类优化器的底层实现与调参技巧
面试指南
- 采用“问题定义-理论推导-实验设计-结果分析”的框架，突出数学推导能力与实验验证的严谨性
- 结合具体业务场景（如自动驾驶多车型拓展），说明算法设计的初衷、权衡及最终带来的性能或效率提升
- 请详细介绍你在持续学习或增量训练中解决灾难性遗忘的具体方案及实验结果
- 在大规模训练中，你是如何进行数据配比（Data Mixing）优化的？遇到过哪些收敛性问题？
- 针对Transformer架构的模型结构动态扩展，你有哪些设计思路或实际经验？
- 请推导或解释AdamW与Lion优化器的核心区别及超参数敏感性
- 复习凸优化、概率统计等数学基础，准备手推常见优化器或正则化方法的公式
- 梳理自己过往项目中的核心代码逻辑与实验流水线设计，确保能清晰讲解工程实现细节
职位点评
薪资福利85
成长发展90
工作生活50
使命价值80
薪资福利
85较高
自动驾驶核心算法岗，要求博士或硕士2年以上经验，薪资处于市场较高水平，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
90较高
岗位聚焦端到端自动驾驶的大规模训练与增量学习，属于AI领域最前沿方向，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈PyTorch、Transformer、AdamW、Lion、Shampoo、Machine Unlearning、Continual Learning
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB相关信息，且大规模训练算法岗通常面临较高的研发压力与实验迭代需求。
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
80较高
致力于自动驾驶端到端算法的演进，推动智能汽车技术发展，具有较高的社会价值与行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs