Momenta端到端大模型算法工程师(Mstar)
任职要求
1. 计算机、人工智能、自动化等相关专业硕士/博士应届毕业生； 2. 扎实的深度学习基础，熟悉Transformer、ViT、LLM等主流模型架构； 3. 具备VLM或VLA方向的研究或工程经验，理解视觉-语言对齐、多模态建模等核心技术； 4. 了解强化学习基本原理（PPO、GRPO 等），有RL在决策或控制任务中应用经验者优先； 5. 熟练掌握Python及PyTorch等主流训练框架，具备…
工作职责
1. 参与端到端自动驾驶大模型的架构设计与核心算法研究，整合感知、预测与规划模块，推动模型整体性能持续提升； 2. 基于Transformer、VLM等主流架构，探索感知-规划一体化建模方法，提升模型在复杂、长尾驾驶场景下的泛化与鲁棒性； 3. 结合Momenta海量量产路测数据，设计数据闭环驱动的训练策略，构建高质量数据集，加速模型迭代； 4. 追踪自动驾驶和人工智能领域等相关领域最新研究进展，探索前沿技术在端到端驾驶模型中的落地应用。 5. 基于端到端大模型，进行世界模型算法预研，提升端到端模型效果和泛化性。
1. 设计并实现端到端大模型，整合感知、规划与决策功能，提升模型的整体性能与效率； 2. 运用深度学习、强化学习、机器学习等技术，优化模型结构，提高模型对复杂驾驶场景的理解和应对能力； 3. 负责收集、标注和处理智能辅助驾驶相关数据，构建高质量的数据集，为模型训练提供有力支持； 4. 利用数据增强、迁移学习等方法，提升数据利用效率，优化模型的泛化能力； 5. 跟踪智能辅助驾驶和人工智能领域的最新研究成果，探索新技术在端到端大模型中的应用可能性
工作职责： 1. 端到端模型的选型、设计、训练和优化，与团队协作完成模型的测试、验证和部署； 2. 构建数据标注和评测流程，并基于模型表现进行数据挖掘、数据清洗、数据配比等提升模型效果； 3. 分析路测数据中的corner场景，设计数据和模型等手段，提升该场景下模型表现并解决问题； 4. 利用数据增广、迁移学习、对比学习和强化学习等方法，提升数据利用效率，优化模型泛化能力； 5. 跟踪行业前沿技术，将创新性方案应用于实际项目。
1. 端到端模型研发： 负责新一代 End-to-End 自动驾驶算法的泊车场景的研发，包括但不限于基于 World Model（世界模型）、Video Generation（视频生成） 或 VLM（视觉语言模型） 的驾驶策略生成。 2. 数据闭环与评测： 搭建针对生成式规划算法的自动化评测体系，利用大模型进行数据挖掘、自动标注（Auto-labeling）及场景重建，通过数据闭环持续提升模型性能。
- 参与端到端自动驾驶算法的长期技术路线图，包括模型架构（如Transformer、Diffusion Model等）选型到整体方案设计。 - 深入一线，解决研发过程中最棘手的技术难题，如长尾场景处理、模型收敛性、部署效率等。 - 推动端到端模型在量产项目中的评估、测试和部署，对最终的产品性能和用户体验负责。 - 参与营造开放、创新、高效的研发氛围。