美团【北斗】自动驾驶算法系统研究员
任职要求
【岗位要求】 1.计算机、人工智能、自动化、电子工程等相关专业本科及以上学历，具备扎实的计算机系统、机器学习与工程基础； 2.在 AI Infra、分布式训练、自动驾驶、基础模型（Foundation Model）、高性能计算（HPC）或大规模机器学习系统方向具有丰富研发经验； 3.熟悉深度学习训练与推理框架，熟悉 GPU / SOC 架构与性能优化，具备 CUDA Kernel、算子优化、显存优化、编译加速或推理部署优化； 4.熟悉分布式训练体系与大规模集群优化，包括数据并行、模型并行、流水线并行、混合并行、多机通信优化及资源调度等方向； 5.熟悉自动驾驶算法体系，理解感知、预测、规划、端到端模型或世界模型等方向的核心技术架构与工程挑战； 6.具备优秀的跨团队协作与技术领导能力，能够主导复杂项目推进，并影响多团队技术方向与工程实践。 加分项： 1.有开源项目贡献、顶会论文或行业影响力成果； 2.有 AI Agent、自动化研发平台…
工作职责
【愿景】 美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从"按规则行驶"进化为"像人一样看懂世界、自主决策"。 【岗位职责】 1.负责下一代自动驾驶 AI Infra 与基础模型体系建设，探索并落地多模态大模型、生成式模型、强化学习、世界模型（World Model）、视觉语言模型（VLM）等前沿技术在自动驾驶场景中的应用； 2.主导自动驾驶算法与 AI 系统架构设计，包括训练框架、数据闭环、推理引擎、模型部署、端云协同及软硬件协同优化，构建面向大规模量产的 AI 基础设施； 3.参与构建大规模模型训练与迭代平台，涵盖分布式训练、多机高速通信、训练算子优化、混合并行、显存优化、编译加速及异构计算资源调度等关键能力； 4.参与自动驾驶数据与模型迭代闭环建设，推动数据挖掘、自动标注、仿真生成、模型评测、持续训练（Continuous Training）与自动化回灌体系建设，加速算法迭代效率； 5.参与大规模云计算与仿真平台建设，打造支持千万级场景生成、海量数据回放、云端仿真与大规模并行验证的新一代 Simulation Infra。
【愿景】 美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从"按规则行驶"进化为"像人一样看懂世界、自主决策"。 【岗位职责】 1.端到端自动驾驶建模：参与、设计及实现端到端的自动驾驶建模方法，搭建从传感器数据到行为决策的端到端模型。 2. VLA/VA：将LLM/VLM/COT/RL等方法应用在端到端模型的优化和能力构建上，建设更具备泛化性、可拓展性的自动驾驶算法能力。 3.世界模型能力建设：基于传感器仿真算法和状态预测算法，建设高质量稀缺数据生成能力和端到端算法闭环仿真能力。 4.大规模场景重建：研究并落地基于大规模 Feedforward 框架的三维重建算法（如 VGGT，3D GaussianSplatting等），探索其在自动驾驶场景中的工程化应用。
【愿景】 美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人车是国内率先实现城市道路无人配送规模化运营的团队，累计完成超百万订单的真实配送里程。我们正在推动无人车感知系统从模块化架构向端到端智能架构的代际跃迁——让无人车从"按规则行驶"进化为"像人一样看懂世界、自主决策"。 【岗位职责】 1.负责构建基于强化学习算法的下一代行为决策模型，设计实现对齐人类偏好的高效训练方法，深入攻克长尾动态博弈、多车交互难题，提升自车行驶的安全性； 2.负责云端WA模型的设计与落地，构建高效闭环训练多智能体仿真环境和数据生成引擎，为长尾场景的数据生产和能力评测提供有效支撑。
简介：随着 OpenClaw、Claude Code 等 Agent 进入实战领域，传统的静态评测已无法衡量 Agent 的长程规划、自主纠错与真实环境交互能力。我们寻找对 Agent 评测范式有独特见解的同学，共同定义下一代 Agent 的考卷。你将参与的工作有： 1、评测范式研究与落地： ①针对 OpenClaw 及 Claude Code 等主流 Agent，构建基于真实生产力场景，如自动化办公、复杂代码重构、多工具协同等的动态评测沙盒环境。 ②探索从“单轮对话”转向“长程任务”的评测机制，研究如何量化 Agent 的记忆一致性与环境感知力。 2、高价值方案产出： ①设计并构建能反映用户体感的评测集，不仅关注 通过率，更深入拆解用户在交互过程中的使用体验。 ②建立 Agent 错误归因体系，针对 Agent 陷入死循环、幻觉指令、工具调用失败等典型场景进行深度诊断。 3、未来形态探索： ①跟踪前沿 Agent 发展，研究在多智能体协同、自主进化等未来形态下的 Agent 形态和相应的评测基准。 ②利用 LLM/Agent-as-a-Judge 的方式，提升自动化评测的准确性与效率。
【愿景】 美团龙猫基座大模型，不只聪明，更懂生活。从语言理解到全模态感知，从架构创新到极致推理，从海量预训练到亿级真实订单 —— 我们造的不仅是实验室里的“优等生”，更是活在大街小巷、三餐四季里的AI。 而我们想做的远不止于此 —— 让模型自己提出假设、训练自己、不断进化； 让一群智能体像团队一样分工协作、攻克复杂问题； 让 AI 走出屏幕，理解物理世界、走进真实场景。 这是我们正在冲刺的方向，也是你可以参与定义的未来。 加入我们，一起把智能带进真实物理世界，亲手打造下一代 AGI！ 【团队介绍】 基座大模型AI Infra团队，以支撑前沿基础模型持续演进为目标，面向大模型研发与生产全链路，构建高性能、高稳定性、可持续扩展的AI基础设施体系。围绕高效率实验平台、大规模训练生产能力，以及模型结构与芯片架构协同优化， 沉淀软硬一体、训推贯通的关键基础能力，提升模型迭代效率、训练资源利用率与系统上限。 【你将负责】 模型推理是大模型应用的核心能力，是影响大模型应用成本和效率的关键因素。本课题专注于大模型推理加速与分布式系统优化的前沿技术探索，通过软硬件协同设计和算法工程联合优化，降低大模型推理的应用成本，提高推理性能。研究内容包括但不限于： 1.投机推理（Speculative Decoding），研究基于预测性执行的动态推理优化方法，参与设计低延迟推理框架，通过概率模型预生成候选序列以降低解码计算开销。 2.分布式系统优化，探索多节点协同推理中的通信-计算负载均衡策略，提出基于异构硬件的混合并行调度方案，实现吞吐量提升。 3.稀疏Transformer优化与模型压缩，通过稀疏Transformer优化以及模型压缩技术提升模型的计算效率。 4.算子优化，熟悉最新硬件架构的算子优化方法，通过更高效的算子优化模型的吞吐和延时。