长城汽车
长城汽车-多模态预训练算法开发岗（VLA Pretraining）(048211)
长城汽车-多模态预训练算法开发岗（VLA Pretraining）(048211)
发布于 大约 9 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
本科
人工智能
A/B实验
多模态预训练
对比学习
数据清洗
深度学习
跨模态对齐
掩码建模
训练损失设计
AI 估算 · 30k–50k
职位详情
关于这个职位
该职位负责多模态预训练算法的开发与优化，包括掩码建模、对比学习和跨模态对齐等任务
你将参与数据清洗、采样策略和训练损失设计，并通过A/B实验推动模型指标提升
适合具备深度学习和大模型经验，对多模态预训练有浓厚兴趣的算法工程师
最低要求
) 负责多模态预训练任务实现与训练（掩码建模、对比学习、跨模态对齐）
) 数据清洗/去重/采样策略与训练损失设计
) 训练监控与A/B实验，推动指标持续提升
工作职责
) 负责多模态预训练任务实现与训练（掩码建模、对比学习、跨模态对齐）
) 数据清洗/去重/采样策略与训练损失设计
) 训练监控与A/B实验，推动指标持续提升
AI 洞察
优缺点分析
优点
- 多模态预训练是AI领域的热点，技术含量高，个人成长快
- 长城汽车作为大型企业，平台稳定，资源丰富
- 工作地点可选多个城市，灵活性高
- 预训练模型训练成本高，需要较强的工程能力和耐心
- 技术迭代快，需要持续学习新方法
- 适合对多模态预训练有深入理解，具备较强工程实现能力，且愿意在技术领域深耕的算法工程师
缺点 / 挑战
- 可能面临较大的工作压力，尤其是在项目关键节点
角色解读
- 从算法工程师向高级算法工程师、技术专家方向发展
- 可向多模态大模型、自动驾驶感知等前沿领域深入
- 有机会带领团队，负责更大规模的预训练项目
- 负责多模态预训练模型的实现与训练，包括掩码建模、对比学习和跨模态对齐等任务
- 参与数据清洗、去重和采样策略的设计，以及训练损失函数的优化
- 进行训练监控和A/B实验，分析实验结果并推动模型指标持续提升
- 扎实的深度学习基础，熟悉Transformer等主流模型架构
- 熟悉多模态预训练方法，如CLIP、BEiT等，具备相关项目经验
- 熟练使用PyTorch等深度学习框架，具备分布式训练经验
- 良好的数据分析和实验设计能力，能够独立进行A/B实验
申请策略
- 了解长城汽车在智能化领域的布局，特别是自动驾驶和智能座舱方向
- 在面试中展示对多模态预训练的热情和深入思考
- 突出多模态预训练相关项目经验，如CLIP、BEiT等模型的实现
- 强调数据清洗、采样策略和损失函数设计的实际案例
- 展示A/B实验和指标优化的成果，用数据说话
- 深入理解对比学习、掩码建模等核心算法原理
- 熟悉大规模分布式训练框架，如DeepSpeed、Megatron
- 关注多模态领域最新论文，如LLaVA、Flamingo等
面试指南
- 采用STAR法则回答项目经验问题，突出个人贡献和量化结果
- 对于算法设计问题，先阐述原理，再结合实践经验说明
- 对于开放性问题，展现对行业趋势的理解和个人见解
- 请介绍你参与过的多模态预训练项目，包括模型架构、训练策略和最终效果
- 如何设计数据清洗和采样策略以提升预训练效果？
- 对比学习在跨模态对齐中的应用有哪些优缺点？
- 如何通过A/B实验评估预训练模型的效果？
- 你如何看待多模态预训练在自动驾驶领域的应用前景？
职位点评
76
综合评分
前沿技术、高薪稳定，但工作地点固定，WLB未明确。
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
该职位最适合重视技术成长和职业发展的求职者，对工作地点灵活性要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活60
使命价值70
薪资福利
75中等
该职位薪资水平较高，且公司为上市公司，稳定性好，但具体福利未在JD中明确。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
多模态预训练属于前沿技术领域，技术含量高，个人成长空间大，但JD中未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈多模态预训练、掩码建模、对比学习、跨模态对齐
业务类型ambiguous
工作生活
60中等
工作地点为上海，属于一线城市，生活便利，但JD未提及远程或弹性工作，可能需现场办公。
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
多模态预训练在自动驾驶等领域有重要应用，具有较高的行业价值，但JD未明确社会影响力。
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