大疆实习生（动态感知）

自动驾驶： 1、负责自动驾驶动态目标感知算法设计和优化，包括但不限于3D目标检测与跟踪、图像/点云语义分割、物体动静态估计、Radar融合以及相应的数据挖掘与仿真算法； 2、静态感知模块研发，包括但不限于各类静态障碍物检测跟踪、地图元素识别及其矢量化/语义化/拓扑化、可行驶区域/BEV分割/OccupancyNetwork及针对真实世界中OpenVocabulary的众包地图大模型研发； 3、感知基础算法研发，包括但不限于时序多模态等基础感知模块，大规模多模态预训练算法，室外大范围动静态场景重建与编辑技术，基于（可提示）交互式智能标注系统等。

岗位职责： 1. 参与研发自动驾驶多视觉感知模型算法研究及优化 3. 参与基建完善，训练系统、评测系统优化等 4. 与团队协作实现算法迭代与优化，实现算法在自动驾驶业务中应用落地

研究领域： 人工智能 项目简介： 一句话描述：研究大模型训练中不同样本对模型训练质量的影响，利用大模型智能标注能力结合并将动态权重反馈信息提升样本质量及训练效果 随着大语言模型的发展，其多种能力不断涌现。而在大模型的实际研发中，越来越多研究人员发现训练数据的质量至关重要，进而开始转向研究以数据为中心的AI研究，其主要目的就是想办法加强数据的质量和数量，而不过多的考虑模型或者说固定模型结构。由此催生出了一系列的数据标注公司，而蚂蚁内部也有专门的标注团队给大模型训练提供标注数据，尤其是领域数据以及人类对齐数据。那么什么样的标注数据对大模型能力有帮助，能提升大模型在各个任务上的效果？目前在学术界和产业界在以数据为中心的模型研究仍处于初期阶段，各种方法都在探索中。 在当前数据标注场景下，目前我们需要攻坚的技术有：1. 训练样本质量评价问题。即如何提升具体模型对于数据自身的感知，快速识别低质样本或增强高质量样本，从而加强模型迭代的性能。目前我们的方案是将生成模型生成概率分布中的“犹豫”特征映射为模型对样本高价值的体现，同时结合评估损失来拟合前序的样本训练过程，最后引入BERTSCORE去对抗可能的模型幻觉；2.训练样本质量增强问题。如何将样本价值注入专家标注流程，从主动学习角度增强样本质量。目前我们的方案是在少量融合专家经验的标注样本上，基于大模型完成快速增量训练，进而将这种标注能力泛化到更多数据场景上；3. 样本价值训练中消费问题。如何在训练过程中，设计合适的训练框架使得模型感知样本价值的变化，使得样本质量指标增益模型训练的效果。目前我们的方案是在训练过程中引入无监督的样本权重传播机制，通过捕捉训练过程中样本的语义表征变化来检验模型的学习过程，同时通过引入样本平滑策略，使得训练过程中模型可以不断感知后续样本的重要性并对其做出反馈； 基于以上的技术攻坚，我们可以获得：1.建立带感知的标注数据质量评估的体系；2. 智能标注的能力；3.大模型训练框架对标注样本的动态反馈体系; 4. 标注数据质量评估的体系；5.大模型训练框架对标注样本的动态评估

1、学习和理解技术、产品及应用场景，挖掘和引导客户需求，结合腾讯平台能力为客户提供解决方案； 2、深度参与产品架构设计、售前咨询、项目交付、售后服务其中一个或多个环节，保障解决方案落地，解决客户问题，助力客户成功； 3、学习解决方案的最佳实践，并通过实战经验的积累，沉淀面向企业数字化转型的通用方案能力与优势； 4、保持市场洞察，感知行业动态，不断提升公司产品和解决方案的行业竞争力。