大众汽车
SW Engineer_AI
SW Engineer_AI
发布于 6 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
软件工程
分布式训练
多模态
模型优化
LLM
NLP
PyTorch
AI 估算 · 45k–80k
该岗位要求顶尖的大模型与多模态AI研发能力，技术壁垒高，市场人才稀缺，且服务于汽车智能化前沿领域，薪资竞争力强。
职位详情
关于这个职位
这是一个专注于大模型算法研发的高级技术岗位
你将负责开发、优化和部署前沿的大型语言模型（LLM）、视觉-语言模型（VLM）及智能体（Agent）系统，以支持大众汽车在人工智能驱动的产品创新，例如多模态内容生成、代码辅助和自动化测试
职位要求你具备从零构建可扩展算法框架的能力，并与跨职能团队紧密合作，将算法能力转化为实际产品功能
最低要求
教育背景：计算机科学、软件工程、数学或相关领域的博士/硕士学位
精通大型语言模型，如 GPT、LLaMA、ChatGLM、BERT 及相关架构
熟练掌握 Python、Java 或 C++ 等编程语言
拥有深度学习框架和库的使用经验，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、语言分析及与语言相关的数据集
具备 LLM、VLM（例如 CLIP、BLIP、Flamingo）和 VLA（例如 Gato、RT-2）架构及其应用的实践经验
熟悉 ReAct、Toolformer、AutoGPT、LangChain 等智能体相关技术，并具有设计智能体系统的经验
深入了解 Transformer 变种（例如 Vision Transformer、Swin Transformer）和 CNN 架构，具备模型压缩、剪枝、蒸馏或硬件适配的经验
较强的问题解决能力和分析思维能力
出色的沟通与协作能力
能够在快节奏、动态的环境中高效工作
英语：流利
工作职责
为各种自然语言处理应用开发并优化大模型算法，如文本生成、摘要撰写以及语言翻译等
开展研究探索大模型开发与优化领域的前沿技术和方法
设计并实现先进算法，以应对语言建模与处理中的复杂挑战
利用文本语料库和数据集对大模型进行训练与微调
在生产环境中实现算法，并针对实时语言处理优化其性能
研究、开发并优化大型语言模型（LLMs）、视觉-语言模型（VLMs）以及视觉-语言-动作模型（VLAs），以支持多模态内容生成与交互
设计并实现基于智能体的系统架构，以支持任务规划、工具调用、多轮对话及自主决策
应用大模型（LLM）和智能体（Agent）技术来提升工程效率，包括但不限于：通过生成式建模和交互式智能体支持 AI 驱动产品的快速原型开发
协助代码的生成、审查与优化，以提升开发效率和质量
利用智能体自动化测试用例的生成、验证及质量保证流程
构建工具和框架，以简化从设计到部署的整个研发生命周期
深入理解并优化 Transformer、CNN 等核心网络架构，以提升模型的效率、准确性和可扩展性
构建支持从数据预处理、模型训练到部署的全流程端到端算法框架
与产品及工程团队紧密合作，将算法能力转化为功能性 AI 模块，并进行持续的性能调优与迭代
优先资格
拥有多模态融合技术（包括图文生成、视频理解、跨模态检索）的经验者优先
具备大规模分布式训练、推理优化及模型服务（例如 Triton、TensorRT）的经验者更佳
AI 洞察
优缺点分析
优点
- 平台优势：在跨国汽车巨头（大众）的研发中心工作，能接触到海量真实业务场景和资源，项目影响力大
- 技术前沿性：专注于LLM、多模态AI和智能体等最前沿方向，技术栈领先，有利于个人技能快速提升和积累
- 跨界价值：将尖端AI技术应用于传统汽车行业智能化转型，具备独特的行业交叉经验和视野
- 技术难度极高：需要从零构建解决未知问题的工具和框架，对创新能力、工程能力和理论基础要求非常苛刻
- 该职位适合拥有扎实AI算法与工程背景，对探索技术边界充满热情，并希望将前沿AI研究应用于大规模工业场景的资深工程师或研究者
缺点 / 挑战
- 职业含金量：解决的是“世界上尚不存在”的问题，项目挑战性高，成功经验在AI领域极具竞争力
- 工作强度与压力：在快节奏的研发环境中，需同时推进算法研究、工程实现和产品落地，可能面临较大交付压力
- 知识更新压力：AI领域技术迭代迅猛，需要持续学习并跟进LLM、多模态等领域的最新论文与技术动态
角色解读
- 技术专家路径：可深耕大模型架构、多模态AI或智能体系统，成为公司乃至行业内的核心技术骨干或研究员
- 技术管理路径：积累项目经验后，可转向AI技术团队负责人或项目经理，负责更大规模的技术规划与团队管理
- 行业应用专家路径：将汽车行业的AI应用经验沉淀，成为连接AI技术与智能汽车、智能制造等垂直领域的跨界专家
- 核心工作是研发和优化前沿的大模型（LLM/VLM/VLA）及智能体（Agent）系统，应用于文本生成、多模态内容交互等场景
- 负责构建从数据处理、模型训练到生产部署的端到端算法框架，并进行持续的模型压缩、硬件适配等性能优化
- 将AI能力工程化，通过代码生成、自动化测试等智能体技术，提升整个产品研发团队的效率
- 与产品、工程团队紧密协作，将前沿算法研究转化为可落地、高性能的AI功能模块
- 精通大模型（GPT/LLaMA等）和多模态模型（CLIP等）的架构原理、训练及微调，并熟悉智能体技术栈（如LangChain）
- 具备扎实的深度学习与NLP基础，熟练掌握PyTorch/TensorFlow等框架，以及Python/C++等编程语言
- 拥有强大的工程实现与优化能力，包括模型轻量化、分布式训练、推理加速及在异构硬件上的部署经验
- 出色的跨团队沟通协作能力和解决复杂、前沿技术问题的创新思维
申请策略
- 深入了解大众汽车及CARIAD在智能座舱、自动驾驶等领域的AI战略和已发布的产品，在申请和面试中体现你的业务洞察
- 准备清晰阐述你对“AI驱动工程效率”的理解，并结合过往经验，提出可能的应用设想
- 重点突出与大模型（LLM/VLM）训练、微调、部署相关的项目经验，详细说明你的技术贡献、遇到的挑战及解决方案
- 展示你在模型优化（如剪枝、蒸馏、硬件适配）和构建端到端算法框架方面的具体工程能力和成果
- 如果有智能体（Agent）系统设计、多模态融合或AI提效工具（如代码生成）相关的实践经验，务必作为核心亮点呈现
- 强调你解决复杂、非标准问题的能力，以及在国际化团队中沟通协作的经历和流利的英语能力
- 深入研读近期关于大模型架构优化、多模态学习及智能体规划的顶级会议论文，并尝试复现或改进相关实验
- 动手实践模型服务化与高性能推理，熟悉Triton、TensorRT等工具，并了解在不同硬件平台上的部署差异
面试指南
- 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策、创新点和量化成果
- 对于技术方案类问题，先清晰定义问题和约束条件，然后分层阐述：从模型选型、数据准备、训练/优化策略，到部署和评估的全流程思考
- 在回答中不仅要展示技术深度，还要体现你的工程思维（如可扩展性、可维护性）和解决未知问题的探索能力
- 请详细介绍一个你参与过的大模型（LLM或VLM）项目，你在其中承担的角色、遇到的最大技术挑战以及如何解决的？
- 如何针对一个具体的NLP任务（如长文本摘要）对现有开源大模型进行微调和优化？你会考虑哪些评估指标和优化方向？
- 请描述一下你设计或使用智能体（Agent）系统来完成一项复杂任务（如规划、工具调用）的经验
- 系统的架构是怎样的？
- 在将一个大模型部署到生产环境时，你会采取哪些步骤来优化其推理速度和资源消耗？
职位点评
Watch Jobs