小鹏汽车大语言模型算法实习生

公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门，致力于打造世界领先的 L4 级自动驾驶技术，通过科技让出行更安全、更高效。我们相信，将自动驾驶技术部署在共享出行车队中，将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态，我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队，推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员，你将与国内外顶尖人才一起，研究和开发自动驾驶领域的前沿算法，直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战，利用多模态传感器（LiDAR、Camera、Radar 等）设计、开发并优化感知算法，解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里，你将有机会： 与中美两地的优秀工程师和科学家合作，参与世界级的技术竞争； 深入研究并推动最前沿的学术成果在产业中的落地； 在全球最大出行平台之一的业务场景中，实现科研成果的规模化应用。 主要方向与职责： 你将在以下方向中选定一个或多个方向深入负责，并承担从研发到落地、从算法到系统的端到端职责： （一）物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型，识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性（抗遮挡、夜间、恶劣天气、长尾类别） （二）通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境（施工区域、道路损坏、落物等）中提升鲁棒性 （三）场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解，例如施工区域识别、可通行区域识别等 意图理解，例如行人动作识别、起步意图识别等 交互和事件识别，例如多方交互、交通规则冲突、非规范驾驶行为等 （四）感知大模型 /多模态 探索或应用预训练多模态大模型，将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中，提升复杂场景下的鲁棒性 （五）模型评估、验证 构建完整的评估管道，包括离线评估 + 真实道路 + 模拟环境测试，支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)

1、分析业务需求，设计并实现适用于不同场景的算法解决方案； 2、跟进前沿算法和技术动态，进行技术预研和项目规划； 3、深入研究大模型预训练，后训练等相关技术应用，推动公司在人工智能领域的创新发展；

参与前沿大模型算法的研发与落地应用，方向包括但不限于：智能 Agent、Deep Research、多模态大模型、检索增强生成 (RAG) 等； 紧跟领域最新技术动态，探索创新算法方法，并积极推动科研成果的产出； 参与技术方案讨论、算法设计与实现、模型训练与优化等研发工作，保证项目进度和研发质量； 持续学习和掌握最新的大模型相关技术，并应用于实际产品和项目中，解决实际问题。

【职位前言】 DeepSeek-R1的发布给世界带来了不小的震撼，更令人敬佩的是，无论是赶超OpenAI o1的模型效果，还是节省百万美元成本的工程优化，这背后的原理与实现都在官方发布的技术报告和开源项目中一一公开。 大语言模型的前沿研究将不再只是少数巨头才玩得起的项目，更多的研究者可以入局这场对人工智能探索的新征程。 如果您对模型背后的工程优化充满好奇（FP8混合精度训练、分布式专家并行等），想深入了解并上手实践，但又没有合适的计算资源与明确的优化目标，又对模型 post-training（GRPO强化学习、模型蒸馏等等）跃跃欲试，但又没有明确的应用场景和数据资源—— 那不妨来网易云音乐，和我们搭上这趟时代的列车，一起拆解硬核技术，聚焦于音乐业务中的搜索、推荐、广告场景，探索大模型的应用落地与高效部署。 【职位描述】 1、参与大模型在后训练和推理工程中的性能优化，结合底层硬件特性从混合精度训练、矩阵计算加速、注意力机制计算优化、GPU分布式并行等方面提升工程效率； 2、通过强化学习、模型蒸馏等方式，构建音乐领域具有 CoT 推理能力的大语言模型，应用于搜索、推荐、广告等业务场景。 【我们拥有】 1、音乐行业内海量用户独一无二的数据资源； 2、贴近实际的业务场景，让 idea 落地并发挥价值； 3、可观的计算资源，性能上还有极大的空间待与你一同挖掘； 4、鼓励创新探索、倡导悉心钻研、宽松融洽多元的团队氛围； 5、成果转换的支持，合作完成项目及论文，助力未来的职业发展。