地平线
自动驾驶数据挖掘实习生（VLM / Agent 方向）
自动驾驶数据挖掘实习生（VLM / Agent 方向）
发布于 3 小时前实习/见习
实习生仅现场办公自动驾驶
自动驾驶
Qwen-Vl
Rag
Vllm
Vlm
多模态
数据分析
数据挖掘
值不值得投
80综合评分
综合评分 80
前沿技术驱动、高成长潜力、聚焦自动驾驶数据闭环核心环节的高含金量实习岗位
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
1.0千
比自动驾驶中位数低
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 380 个在招 · 其中自动驾驶 39 个
市场机会
选择适中
南京 · 自动驾驶 · 11 个在招
职位详情
关于这个职位
该职位是地平线自动驾驶数据挖掘方向的实习岗位，主要利用视觉语言模型（VLM）和智能体（Agent）技术，从海量路测数据中挖掘长尾场景和Bad Case
你需要构建自动化数据处理流水线、设计Prompt进行场景理解与打标，并通过实验验证数据对模型训练的有效性，最终交付高质量的数据集和分析报告
最低要求
计算机、人工智能、机器人、自动化、车辆工程或相关专业硕士／博士在读，能保证实习时间
熟练使用 Python，能用 NumPy、Pandas、OpenCV 独立处理大规模文件与标注（parquet、jsonl、视频抽帧），会写 SQL 或用过 Spark、DuckDB
代码写得清楚，别人能复跑
真正用过至少一种视觉语言模型或多模态模型（Qwen-VL、InternVL、LLaVA、CLIP 等），能说清它的输入输出形式、常见失效方式，以及显存与吞吐上的代价，而不只是调用过 API
理解检测、跟踪、分割或图文检索的基本概念，能读懂 precision、recall、mAP、覆盖率这类指标，并知道指标好看不等于场景选对了
理解自动驾驶场景的基本构成：感知输出、轨迹与规划、接管与急刹、场景标签、clip 与帧的关系
能自己定义“什么样的样本值得挖”，并用分布、覆盖率、召回率证明挖掘有效，而不是凭感觉挑图
能读英文论文和官方文档，能把一次挖掘实验写清楚：目标、方法、指标、失败案例、下一步，结论能用数字和样例支撑
工作职责
核心职责
长尾场景挖掘（Scenario Mining）：先用规则与统计信号（感知置信度、轨迹冲突、急刹与接管、目标类别稀有度、场景标签分布）做粗筛，再结合 VLM 与 Agent 做语义复核与排序
交付可复核的 Corner Case 与 Hard Case 候选清单、命中率统计和漏筛分析，而不是一次性脚本
场景理解与自动打标：用 Qwen-VL、InternVL、LLaVA 一类视觉语言模型对 clip 做场景描述、目标属性抽取与危险度判断
设计 prompt、few-shot 示例与抽检机制，交付可入库的结构化标签、标注规范与一致性报告，量化其与人工标签的一致率
数据集与评测集构建：围绕具体能力项（cut-in 加塞、施工区、异形障碍物等）定义数据规格、采样策略与难例配比，完成去重、分层采样和训练／验证／测试隔离
交付带版本、带分布分析与已知偏差说明的数据集、评测集和数据卡
Batch Inference 流水线：用 vLLM、SGLang、TensorRT-LLM 把 VLM 推理跑成稳定的离线批处理流水线，处理抽帧采样、批大小与显存、失败重试、结果落库、吞吐与成本统计
交付可复现、可审计的推理流水线及其成本与质量报告
Agent 化数据挖掘：基于 Tool Calling、MCP、RAG、Multi-Agent 把“检索数据—看片段—调模型—校验—汇总”串成可重复执行的挖掘 Agent，让业务方用自然语言提需求
交付 Agent 工作流、查询模板和接入说明
你的工作从逐条看数据，变成设计规则、检查中间结果与验收产出
数据有效性验证与 Bad Case 归因：设计“加了这批数据模型有没有变好”的对照实验，按场景切片看指标变化，并把失败样本归因到数据缺失、标注错误、模型能力边界或评测口径
交付可复现的实验报告、补数清单和回归用例，推动需求进入下一轮数据闭环
优先资格
有自动驾驶、机器人或视频理解相关的项目、论文或竞赛经历，能说清数据从哪来、怎么筛、最后模型指标提升了多少
做过 Scenario Mining、长尾数据挖掘、主动学习或难例挖掘，能讲清筛选信号、命中率和最终收益
有 VLM 微调、蒸馏、量化或大规模 Batch Inference 的实践经验，处理过显存、吞吐、失败重试与成本问题
自己搭过用于数据处理的 Agent 或 RAG 系统（Tool Calling、MCP、Multi-Agent），能说明它替你省掉了哪一步人工、又在哪一步不可靠
了解向量检索、聚类、主动学习等数据选择方法，或熟悉自动驾驶数据的常见形态（clip、关键帧、多传感器、标注文件）
AI 洞察
优缺点分析
优点
- 接触最前沿的VLM+Agent在自动驾驶领域的应用，技术栈新颖（vLLM, MCP, Multi-Agent）
- 需要同时懂自动驾驶场景知识和AI大模型技术，跨界知识门槛高
- 适合对自动驾驶数据闭环感兴趣，且具备较强编程能力和前沿AI模型实践经验的研究生
缺点 / 挑战
- 需处理大规模数据带来的工程挑战
角色解读
- 可向自动驾驶数据平台架构师、AI算法工程师（多模态方向）或自动驾驶数据运营专家方向发展
- 负责从海量自动驾驶路测数据中，利用VLM和Agent技术挖掘长尾场景（Corner Case）和Bad Case
- 熟练掌握Python数据处理，深入理解视觉语言模型（如Qwen-VL）原理及部署优化，具备Agent/RAG系统搭建能力
申请策略
- 准备一个具体的案例，说明如何通过数据挖掘提升模型性能，重点阐述方法论和量化结果
- 突出展示使用VLM进行多模态任务的实际项目，特别是涉及Prompt设计、模型微调或批量推理优化的经历
- 复习自动驾驶基础概念（如感知、规划、接管事件），熟悉主流开源VLM模型的特性及局限性
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经历，重点突出技术选型理由、遇到的具体技术瓶颈及解决方案，以及最终的量化收益
- 请介绍一个你使用VLM解决具体问题的项目，遇到的最大挑战是什么？
- 如何评估挖掘出的长尾数据对模型训练的有效性？
- 在设计Agent工作流时，如何处理模型的幻觉或不稳定性？
- 简述vLLM或TensorRT-LLM在加速推理时的关键技术点
- 复习多模态大模型的基础理论，了解自动驾驶数据闭环的基本流程，准备1-2个深度技术案例
职位点评
薪资福利75
成长发展95
工作生活60
使命价值85
薪资福利
75中等
地平线作为上市大厂，提供的实习津贴通常高于市场平均水平，且福利体系完善，但对实习生而言薪资并非唯一考量。
薪资信号未披露（AI估算：0.2–0.4千/月）
成长发展
95较高
该岗位处于技术前沿，直接应用VLM和Agent解决自动驾驶核心痛点，技术成长空间极大，非常适合追求技术深度的求职者。
技术前沿前沿/新兴技术
技术栈VLM、Agent、Qwen-VL、vLLM、RAG、Multi-Agent、Python、TensorRT-LLM
业务类型profit_center
工作生活
60中等
作为研发类实习岗位，工作内容具有挑战性，可能涉及大量实验和调试，但相比正式员工压力较小，WLB相对较好。
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
85较高
致力于提升自动驾驶安全性，通过挖掘长尾场景减少事故风险，具有显著的社会价值和行业使命感。
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
地平线 的其他在招职位
相似职位推荐
Watch Jobs