长城汽车
长城汽车-多模态/BEV表征架构开发岗（Token & Representati）(048210)
长城汽车-多模态/BEV表征架构开发岗（Token & Representati）(048210)
发布于 大约 2 小时前普通员工/个人贡献者
上海市
专家级经验
全职员工
仅现场办公
本科
自动驾驶
Bev感知
Pytorch
Tensorflow
Tensorrt
多模态融合
深度学习
自动驾驶
AI 估算 · 30k–50k
职位详情
关于这个职位
该职位属于长城汽车自动驾驶研发团队，专注于多模态（Camera/BEV/Lidar/Radar/Map）融合感知与表征学习
工作内容包括设计BEV视角下的统一Token表征与时序建模，推动多传感器融合的表征学习，并负责关键模块（如Transformer、ConvNeXt、SSM等）的选型与效率优化
适合对自动驾驶感知算法、深度学习模型设计与工程优化有浓厚兴趣的算法工程师
最低要求
) 硕士及以上学历，计算机、自动化、车辆工程、人工智能等相关专业
) 扎实的深度学习基础，熟悉PyTorch/TensorFlow等主流框架
) 熟悉Transformer、ConvNeXt、SSM等主流网络结构，有BEV感知或多模态融合项目经验者优先
) 熟悉Camera/Lidar/Radar/Map等传感器数据特点
) 具备良好的工程能力，有C++/CUDA部署与优化经验者优先
工作职责
) 设计Camera→BEV/3D统一token表征与时序建模结构
) 推动多传感器融合（Camera/Lidar/Radar/Map）表征学习
) 负责关键模块选型（Transformer/ConvNeXt/SSM等）与效率优化
优先资格
) 有BEV感知、多模态融合或表征学习相关论文或开源项目
) 有自动驾驶量产项目落地经验
) 熟悉TensorRT、ONNX Runtime等推理引擎优化
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与BEV感知、多模态融合等自动驾驶最前沿方向，技术含金量与行业认可度高
- 平台优势：长城汽车为上市跨国巨头，量产平台成熟，算法落地机会多，职业稳定性较好
- 技能积累：可深度积累Transformer、SSM等先进网络结构与多传感器融合经验，技能复用性强
- 适合对自动驾驶感知算法有浓厚兴趣、具备扎实深度学习基础与工程能力、希望在量产平台上实现算法价值的算法工程师
缺点 / 挑战
- 技术挑战大：涉及多模态融合与BEV表征，对深度学习与工程化能力要求高，学习曲线陡峭
- 量产压力：自动驾驶算法需匹配量产节奏，可能存在版本迭代快、交付周期紧的压力
角色解读
- 纵向发展：从算法工程师向感知算法专家、自动驾驶感知方向技术负责人晋升，逐步主导核心感知模块
- 横向发展：可向多模态大模型、端到端自动驾驶、AI平台架构等方向拓展
- 依托长城汽车量产平台，有机会将算法落地到量产车型，积累工程化落地经验
- 设计并实现Camera到BEV视角的统一Token表征与时序建模结构，支撑多模态感知系统的核心算法
- 推动Camera、Lidar、Radar、Map等多传感器数据的融合表征学习，提升感知精度与鲁棒性
- 负责Transformer、ConvNeXt、SSM等关键模块的选型与效率优化，平衡模型效果与算力开销
- 扎实的深度学习基础，熟练使用PyTorch、TensorFlow等主流框架进行模型训练与调优
- 熟悉Transformer、ConvNeXt、SSM等前沿网络结构，具备BEV感知或多模态融合项目经验
- 具备Camera/Lidar/Radar/Map等传感器数据处理经验，理解不同传感器特性与融合策略
- 良好的工程能力，有C++/CUDA部署与优化经验者优先
申请策略
- 关注长城汽车在自动驾驶领域的量产规划与专利布局，了解其技术栈与数据闭环
- 面试时展现对BEV感知、多模态融合的深入理解，并准备一个端到端的项目案例进行讲解
- 突出BEV感知或多模态融合相关的项目经历，尤其是量产或落地项目，详细描述个人在Token表征、时序建模中的具体贡献
- 强调Transformer、ConvNeXt、SSM等先进网络结构的实际使用经验，以及PyTorch/TensorFlow框架下的模型训练与优化能力
- 展示C++/CUDA等工程优化能力，如TensorRT部署、INT8量化等，体现算法落地与效率优化能力
- 补充BEV感知、多模态融合的最新论文与开源项目，如CVPR、ECCV等顶会工作
- 熟悉Lidar、Radar等传感器数据特性，积累多传感器融合与表征学习的实战经验
面试指南
- 采用STAR法则：阐述项目背景（Situation）、你的任务（Task）、你的具体行动（Action）与量化结果（Result），重点突出个人贡献与难点突破
- 对比不同网络结构时，从精度、时延、算力、内存占用等维度给出量化对比，体现工程化思维
- 针对融合策略问题，可从数据对齐、Token级融合、特征级融合等层面展开，并说明不同方案的取舍
- 请详细讲解你参与过的BEV感知或多模态融合项目，包括网络结构设计、损失函数设计、训练效率与量化部署方案
- Transformer/ConvNeXt/SSM在BEV感知中的优缺点对比？如何针对量产平台做效率优化？
- 如何设计Camera→BEV的Token表征与时序建模？Lidar与Camera的融合策略如何设计？
- 如何评估多模态融合感知系统的安全性、鲁棒性与长尾场景（Corner Case）表现？
- 系统复习BEV感知、多模态融合、Transformer/ConvNeXt/SSM等经典论文，并手推关键公式
职位点评
72
综合评分
新能源巨头核心算法岗，前沿技术栈，薪资有竞争力，但需现场办公、WLB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。
更适合这类人
适合追求技术前沿、渴望在量产平台上实现算法价值、对职业成长有较高期望的算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利78
成长发展85
工作生活45
使命价值70
薪资福利
78中等
该职位为上市跨国巨头核心算法岗，薪资在市场中具备竞争力，且平台稳定，补偿性动机能得到较好满足。
薪资信号市场水准 (30K-50K/月)
成长发展
85较高
该职位处于自动驾驶感知算法的最前沿，涉及BEV、多模态融合等先进技术，技能成长空间大，且依托量产平台，发展性动机能得到较好满足。
技术前沿前沿/新兴技术
技术栈BEV感知、多模态融合、Transformer、SSM、深度学习
成长机会核心算法、量产落地
业务类型profit_center
工作生活
45较低
职位描述未提及弹性办公或远程工作，默认仅现场办公，工作地点为上海市长宁区，通勤便利性一般。
工作模式仅现场办公
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
70中等
自动驾驶是高速增长赛道，且该职位涉及核心感知算法，对行业智能化发展有直接推动作用，意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号核心算法、量产落地
创新程度开拓性创新（行业首创）
Watch Jobs