吉利汽车
人工智能算法研究岗（数据算法岗）
人工智能算法研究岗（数据算法岗）
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Nlp
Pytorch
Tensorflow
多模态数据处理
大模型
数据闭环
机器学习
深度学习
计算机视觉
值不值得投
71综合评分
综合评分 71
前沿技术岗位，成长性好，但WLB可能一般。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
30K
比机器学习工程中位数高
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 2270 个在招 · 其中机器学习工程 10 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 260 个在招
职位详情
关于这个职位
该职位负责车载多模态数据处理的算法研发与工程落地，核心工作包括基于大模型的智能数据处理、数据闭环算法开发等，以提升数据处理效率和模型训练质量，支持车载大模型迭代
最低要求
本科及以上学历，计算机、人工智能、电子信息、统计学等相关专业，具备扎实的机器学习、深度学习理论基础，熟悉经典的 NLP/CV 数据处理与分析算法
熟悉大模型核心算法原理，具备大模型提示词工程、微调（SFT/LoRA）、推理优化相关的算法开发经验，有基于大模型研发自动化数据处理、智能标注相关算法的落地案例（如预标注系统、难例挖掘工具等）
深刻理解大模型训练的数据闭环核心逻辑，具备数据全链路处理的算法研发实践，可独立设计并开发数据价值评估、难例挖掘、数据质量管控等核心算法模块
熟练使用 Python 进行算法开发，熟练掌握 PyTorch/TensorFlow 等深度学习框架，熟悉 Pandas/Numpy 等数据处理工具，具备算法工程化落地与生产级 pipeline 搭建能力
工作职责
负责车载多模态（语音交互/视觉感知/驾驶行为）数据全链路处理的算法研发与工程落地，核心包括：基于统计学习/大模型的噪声数据过滤、低质数据筛查、标注数据增强、多模态时空数据对齐等算法开发，搭建标准化、可复用的高性能数据处理算法 pipeline
面向车载海量数据处理需求，研发大模型驱动的智能数据处理算法，落地场景包括：基于大模型的零样本/少样本预标注算法、自动化场景分类与关键帧挖掘算法、多轮交互的提示词优化框架开发，解决人工处理效率低、标注成本高的核心痛点
设计并研发端到端数据闭环的核心算法体系，打通数据采集-处理-模型训练-效果反馈全链路，核心开发方向包括：基于模型训练损失的难例挖掘算法、跨域数据分布适配算法、数据价值量化评估算法，实现数据的自动化筛选、迭代与价值最大化，支撑 WAM 2.0 大模型持续迭代
研发面向大模型训练的高质量数据集构建算法，包括：大规模数据去重、去偏见、分布均衡化、评测集难度分级等算法开发，构建符合车载大模型训练要求的多模态训练与评测数据集，解决模型训练中的数据瓶颈问题，持续提升模型车载场景泛化能力
优先资格
有车载场景多模态数据处理算法、自动驾驶数据闭环体系研发经验者优先
有大模型微调、RAG、智能标注系统、大规模数据处理平台研发经验者优先
熟悉 LabelStudio、CVAT 等标注工具，有标注规范制定、数据质量管理算法研发经验者优先
有开源大模型相关项目开发、顶会/顶刊相关论文发表者优先
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及大模型和多模态算法，能积累稀缺技能
- 行业应用明确，车载场景有实际落地价值，成果可见性强
- 公司平台大，资源丰富，有利于项目推进和职业发展
- 数据处理工程化要求高，需兼顾理论创新与实践落地
- 汽车行业竞争激烈，技术更新快，需保持快速适应能力
- 适合对机器学习和大模型有深入研究，喜欢解决复杂数据问题，追求技术成长的求职者
缺点 / 挑战
- 算法研发难度高，需要持续跟进技术前沿，学习压力大
角色解读
- 从算法工程师成长为高级算法专家，深耕车载 AI 领域
- 转向算法团队负责人或技术经理，管理小型研发团队
- 参与行业前沿项目，如自动驾驶或智能座舱，成为领域专家
- 负责车载多模态数据处理的算法研发，包括噪声过滤、数据增强等，搭建高性能数据处理 pipeline
- 研发大模型驱动的智能数据处理算法，如预标注和关键帧挖掘，解决人工效率低的问题
- 设计数据闭环算法体系，实现数据自动化筛选与价值最大化，支持大模型迭代
- 构建高质量数据集，解决大模型训练的数据瓶颈，提升模型泛化能力
- 扎实的机器学习和深度学习理论基础，熟悉 NLP/CV 数据处理算法
- 熟悉大模型算法原理，具备提示词工程、微调等开发经验
- 熟练使用 Python 和 PyTorch/TensorFlow 等深度学习框架
- 具备算法工程化落地与生产级 pipeline 搭建能力
申请策略
- 了解吉利汽车的自动驾驶和智能座舱业务方向，面试时可体现行业洞察
- 准备数据闭环相关的项目案例，用 STAR 法则清晰描述
- 突出机器学习、深度学习项目经验，特别是数据处理和算法开发
- 强调大模型相关算法开发案例，如预标注系统或难例挖掘工具
- 展示算法工程化能力，包括 pipeline 搭建和生产级部署经验
- 深入学习大模型微调、提示词工程和 RAG 技术
- 熟悉车载场景数据处理工具和方法，如标注工具 LabelStudio
面试指南
- 用 STAR 法则（情境、任务、行动、结果）描述项目经验，突出算法设计和效果
- 从问题定义、算法选择、实现细节和性能评估角度回答技术问题
- 结合车载场景特点，说明算法如何解决实际痛点
- 请描述你处理多模态数据的经验，遇到过哪些挑战？
- 你如何设计一个数据闭环算法体系？
- 谈谈你对大模型在数据处理中应用的理解
- 你如何评估数据价值并解决数据瓶颈？
- 你熟悉哪些数据标注工具，有相关经验吗？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
职位薪资未明确披露，但作为技术岗在汽车行业可能有市场竞争力。
薪资信号未披露（AI估算：2–4万/月）
成长发展
85较高
技术前沿，涉及大模型和多模态算法，有很好的技能成长和项目实践机会。
技术前沿前沿/新兴技术
技术栈大模型、多模态、PyTorch、TensorFlow
业务类型ambiguous
工作生活
50较低
办公模式未提及，可能需现场办公，工作生活平衡信号不足。
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
75中等
车载 AI 领域有行业前景，但社会影响力一般，使命导向不明显。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs