小米顶尖应届-生成式搜推大模型算法工程师-小爱
任职要求
1. 计算机、人工智能、机器学习、电子信息、自动化、应用数学等相关方向硕士、博士学历，在NLP、CV、大模型方向有很好的理解； 2. 熟练掌握PyTorch、TensorFlow等至少一种常用深度学习框架； 3. 熟练掌握python、C++等至少一门编程语言，优秀的算法代码开发能力； 4. 具有良好的分析问题和解决问题的能力，在深度学习相关顶级会议或者刊物发表论文者优先，博士优先。
工作职责
1. 设计构建针推荐问题的大模型生成式架构，评价方法、数据集和指标； 2. 使用预训练，监督微调和强化学习等方法，提升模型在评测数据和线上指标的效果； 3. 使用多模态编码，prompt压缩等方法提升大模型预测的性能指标，降低成本。 【课题名称】 生成式大模型在推荐领域的应用研究 【课题内容】 该课题旨在实现一个以大模型为基础，基于对用户所处环境，设备信息和行为历史的理解，为用户推荐音乐、视频等内容以及个性化的IoT操作建议等。区别于传统的推荐算法使用级联式设计，该课题希望通过大模型实现生成式、端到端的推荐系统，使用包括预训练，监督微调和强化学习的方法，提升预测准确率，并降低预测成本。
1. 设计适用于自动驾驶任务的Diffusion-based行为生成模型，涵盖轨迹预测、控制输出、长时规规划； 2. 研究基于图像和高维环境语义输入的扩散过程，支持条件生成与多模态控制分布建模； 3. 推动该方向模型从仿真到实车的部署，包括实时性优化、鲁棒性评估与反馈机制构建。 【课题名称】 Diffusion-based Nueral Planner 【课题内容】 探索扩散生成模型在端到端自动驾驶规划中的泛化能力和多模态决策潜力。以感知输入（图像、BEV等）直接生成控制信号（steering, acceleration），或隐式轨迹规划中间表示，构建具备不确定性建模、多样性采样和高分辨率行为预测能力的决策系统。参考如DiffPlan、MotionDiffuser、Wayformer+Diffusion等工作，推动视觉到控制的生成式范式演进。
1. 设计适用于自动驾驶任务的Diffusion-based行为生成模型，涵盖轨迹预测、控制输出、长时规规划； 2. 研究基于图像和高维环境语义输入的扩散过程，支持条件生成与多模态控制分布建模； 3. 推动该方向模型从仿真到实车的部署，包括实时性优化、鲁棒性评估与反馈机制构建。 【课题名称】 Diffusion-based Nueral Planner 【课题内容】 探索扩散生成模型在端到端自动驾驶规划中的泛化能力和多模态决策潜力。以感知输入（图像、BEV等）直接生成控制信号（steering, acceleration），或隐式轨迹规划中间表示，构建具备不确定性建模、多样性采样和高分辨率行为预测能力的决策系统。参考如DiffPlan、MotionDiffuser、Wayformer+Diffusion等工作，推动视觉到控制的生成式范式演进。
1. 研究和实现基于多种技术路线的高真实性传感器仿真模型开发； 2. 研究和实现基于多种技术路线的高真实性交通流仿真模型开发； 3. 研究和实现端到端的闭环仿真系统开发。 【课题名称】 高真实性端到端仿真系统开发 【课题内容】 基于多种技术路线，实现高真实性，端到端的模拟仿真系统，支持自动驾驶、具身智能的算法开发和验证。
1. 聚焦语音/音频生成大模型技术研究，涵盖多模态融合，提升长序列建模能力与实时性； 2. 研发风格与情感可控技术，构建语义-时序-声学等多级可控接口，支持音色迁移与交互式编辑； 3. 落地助手、无障碍等小米应用场景，发表顶会论文一篇以上，申请专利两项以上。 【课题名称】 语音生成大模型研究与应用 【课题内容】 研究语音或音频生成与编辑大模型相关技术，优化生成效果及可控性，平衡效率与效果，探索前沿的声音生成技术方案等。