地平线
【2027届校招】端到端算法工程师(大模型方向)
【2027届校招】端到端算法工程师(大模型方向)
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AI算法
AI算法
Pytorch
增量学习
大模型训练
持续学习
机器学习
深度学习
算法研究
值不值得投
83综合评分
综合评分 83
顶尖AI算法前沿研究岗，技术成长空间巨大，薪资优厚，适合追求技术深度的硕士以上人才
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，方便比较职业起点。
薪资怎么样
3.5万
比AI算法中位数高
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
职位详情
关于这个职位
作为地平线2027届校招的大模型方向算法工程师，你将专注于大规模训练策略设计与增量式学习算法创新
主要工作包括优化海量数据训练效率、研究模型动态扩展与抗遗忘机制，以及制定训练数据调度策略，旨在提升自动驾驶大模型的持续进化能力
最低要求
学历背景：计算机科学、人工智能、数学、统计学或相关专业硕士及以上
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
· 有Lora、GRPO、RL、蒸馏等模型优化实操经验，掌握预训练、后训练、量化训练完成流程
· 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
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AI大模型与自动驾驶交叉前沿，技术含金量极高
- 地平线作为头部企业，提供丰富的真实业务场景与算力支持
- 校招培养体系完善，利于建立深厚的学术与工程双重背景
- 对数学功底和科研创新能力要求苛刻，入职门槛高
- 可能需要适应高强度的研发节奏以应对行业快速变化
- 热爱算法研究、数学基础扎实、追求技术深度的硕士及以上学历求职者
- 希望在AI底层技术或自动驾驶领域深耕的科研人员
缺点 / 挑战
- 算法研究难度极大，需面对极高的学术竞争与技术迭代压力
角色解读
- 成为大模型底层训练架构专家或首席算法科学家
- 向AI基础研究负责人发展，主导前沿算法创新
- 在自动驾驶垂直领域积累深厚技术壁垒，晋升为技术总监
- 负责设计和优化大规模大模型训练策略，提升训练效率
- 研究增量式学习与持续学习算法，解决模型灾难性遗忘问题
- 开发模型动态扩展与精准遗忘机制，优化全生命周期数据策略
- 扎实的数学基础（凸优化、概率论等）与算法推导能力
- 精通PyTorch框架及主流优化器原理
- 深入理解增量学习、元学习及强化学习理论
- 具备从论文到工程落地的快速实现能力
申请策略
- 关注地平线在自动驾驶大模型领域的最新技术动态
- 准备针对增量学习难点的深度技术问答
- 展现对自动驾驶业务场景的理解与热情
- 突出顶会论文发表记录及具体研究方向
- 详细列举增量学习、持续学习相关的项目实战经验
- 展示PyTorch工程能力及复杂算法的代码实现细节
- 强调数学推导与实验设计的严谨性
- 深入研读最新的大规模训练与持续学习顶会论文
面试指南
- 采用STAR法则描述项目背景、任务、行动与结果
- 重点阐述算法创新的动机、理论依据及实验验证过程
- 结合数学公式清晰解释核心机制
- 展示对现有技术的批判性思考与改进思路
- 请详细介绍你研究中增量学习算法的核心创新点及其数学证明过程
- 如何设计高效的训练策略以解决大规模数据下的模型灾难性遗忘？
- 对比分析AdamW、Lion等优化器在大规模训练中的表现差异
- 如何在保证模型性能的同时实现特定知识的精准遗忘（Machine Unlearning）？
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
作为已上市大型企业的核心研发岗，薪资水平处于行业中上游，福利体系完善，具有较高的补偿性吸引力。
薪资信号偏高 (2.5千–4.5万/月)
成长发展
95较高
职位聚焦于大模型训练与持续学习的前沿领域，技术栈极具前瞻性，能提供极高的技能成长空间与学术影响力机会。
技术前沿前沿/新兴技术
技术栈大模型、增量学习、持续学习、Transformer、PyTorch、强化学习、元学习
业务类型profit_center
工作生活
60中等
未明确提及弹性工作制，但作为研发岗位，通常比销售或运营岗位拥有相对可控的工作节奏，不过高强度研发可能带来一定压力。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
80较高
投身于自动驾驶与大模型这一具有重大社会价值和技术挑战的领域，有助于推动智能交通发展，使命感较强。
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）
地平线 的其他在招职位
相似职位推荐
Watch Jobs