大众汽车
SW Engineer (Campus)
SW Engineer (Campus)
发布于 6 个月前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
硕士
软件工程
Pytorch/Tensorflow
分布式计算
大语言模型 (Llm)
算法优化
自然语言处理 (Nlp)
生成式Ai (Aigc)
AI 估算 · 20k–30k
作为顶尖车企的AI算法岗，技术门槛高且前景广阔，应届硕士起薪在市场中具备较强竞争力。
职位详情
关于这个职位
这是一个面向应届毕业生的校园招聘职位，专注于大语言模型（LLM）和生成式AI算法的研发
你将加入大众汽车旗下CARIAD的研发团队，负责设计、优化和部署前沿的自然语言处理算法，应用于文本生成、摘要、翻译等场景，并致力于将算法在生产环境中落地，支持公司AI驱动产品的成功
最低要求
学历：计算机科学、工程学、数学或相关领域的博士/硕士学位
工作经验：应届毕业生
英语：基础水平
具备扎实的大模型知识，如GPT或BERT
精通Python、Java或C++等编程语言
具有使用深度学习框架和库的经验，如TensorFlow、PyTorch或Hugging Face Transformers
对自然语言处理的原理、技术和算法有扎实的理解
熟悉文本语料库、语言分析以及与语言相关的数据集
较强的问题解决能力和分析思维能力
良好的沟通与协作能力
能够在快节奏、动态的环境中高效工作
工作职责
为各类自然语言处理应用场景（如文本生成、摘要提炼及语言翻译）开发并优化大模型算法
开展研究，探索并确定大模型开发与优化领域的前沿技术与方法
设计并实现高级算法，以应对语言建模与处理领域的复杂挑战
利用海量文本语料及数据集，对大模型进行训练与微调
在生产环境中部署算法，并针对实时语言处理场景优化其性能表现
优先资格
有大规模数据处理和分布式计算框架经验者优先
AI 洞察
优缺点分析
优点
- 平台优势：加入大众汽车旗下专注软件与智能化的CARIAD，能接触汽车行业最前沿的AI应用场景和真实海量数据
- 技术前沿：专注于生成式AI和大模型，是当前技术热点，能积累极具市场竞争力的核心技能
- 职业起点高：作为跨国巨头的校园招聘技术岗，提供完善的培训体系和清晰的职业发展通道
- 技术难度高：需要从零开始构建可扩展的算法框架，解决前人未解决的问题，对创新和工程能力要求极高
- 适合对AI和NLP有浓厚兴趣、具备扎实算法和工程基础、渴望在工业界解决前沿技术问题的应届硕士或博士毕业生
缺点 / 挑战
- 工作节奏快：需在快节奏、动态的环境中高效工作，可能面临较大的项目交付和技术迭代压力
- 竞争激烈：作为热门领域的顶尖公司岗位，将吸引大量优秀应届生，求职竞争压力大
角色解读
- 从应届生成长为能够独立负责核心算法模块的资深算法工程师
- 未来可向算法专家、技术负责人方向发展，或结合业务向AI产品经理、解决方案架构师等复合型角色转型
- 在汽车智能化浪潮中，积累的AI算法经验在自动驾驶、智能座舱等领域有广泛应用前景
- 你将专注于大语言模型（如GPT、BERT）的算法开发与优化，应用于文本生成、摘要、翻译等具体NLP任务
- 你需要将前沿的算法研究成果转化为实际可用的模型，并在生产环境中进行部署和性能调优
- 你将与跨职能团队合作，解决语言建模与处理中的复杂技术挑战，推动AI产品的落地
- 扎实的NLP和大模型理论基础，熟悉GPT、BERT等主流模型架构及其应用
- 熟练使用Python及PyTorch/TensorFlow等深度学习框架进行模型开发、训练和微调
- 具备优秀的算法实现与优化能力，能够针对异构硬件平台进行代码性能调优
申请策略
- 深入了解大众汽车及CARIAD在智能化、软件定义汽车方面的战略布局和已发布的产品，在面试中展现你的行业洞察
- 准备1-2个能体现你解决问题能力、创新思维和团队协作的具体案例，用于应对行为面试问题
- 重点突出与NLP、大模型相关的课程项目、研究课题或实习经历，详细描述所用模型、框架和取得的量化成果
- 展示扎实的编程和算法基础，特别是Python和深度学习框架的使用经验，以及任何代码性能优化的实践
- 如有发表论文、开源项目贡献或算法竞赛获奖经历，务必清晰列出，这是强有力的加分项
- 深入理解Transformer架构及GPT、BERT等模型的细节，并动手完成一个完整的NLP项目（如文本生成、对话系统）
- 补充分布式计算（如Spark）和大数据处理的相关知识，了解模型训练和推理的规模化部署挑战
- 提升技术英语阅读能力，以便跟进最新的AI研究论文和技术动态
面试指南
- 对于技术问题，采用“背景-任务-行动-结果”(STAR)原则来组织答案，重点突出你的技术决策、具体实现和量化结果
- 对于动机和行业理解类问题，结合个人兴趣、职业规划以及你对公司业务和行业趋势的调研来真诚作答，展现你的热情和思考深度
- 请详细介绍一个你参与过的NLP或大模型相关项目，你在其中的角色、遇到的挑战以及如何解决的？
- 你如何理解Transformer架构？请对比一下GPT和BERT模型的异同和各自适用的场景
- 如果让你设计一个文本摘要系统，你会考虑哪些关键因素和技术选型？
- 请描述一次你为了提升代码或模型性能而进行优化的经历
- 你为什么选择申请CARIAD的这个职位？你对汽车行业的AI应用有什么看法？
- 系统复习NLP核心知识（词向量、注意力机制、各类预训练模型）和深度学习基础，确保能清晰阐述原理
职位点评
Watch Jobs