小鹏汽车
校招【27届校招】大模型算法工程师（VLA/VLM/WM/具身）
北京/上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027 届应届毕业生，计算机科学、人工智能、电子工程、自动化等相关专业硕士 / 博士学历。
- 具备扎实的机器学习理论基础，熟悉常见机器学习算法（监督学习、无监督学习、强化学习等），掌握大模型训练范式（预训练、SFT、RLHF/对齐等），熟练使用主流深度学习框架（如 PyTorch）。
- 在 VLA、VLM、World Model、端到端感知 / 决策大模型、扩散模型 / 生成模型等方向之一有研究、项目或论文经历者优先。
- 有较强的编程能力，熟练掌握 Python、C++ 等编程语言。
- 具备良好的数学基础，包括线性代数、概率论、统计学等。
- 对前沿学术研究有兴趣和热情，对纵向科研有持续爱好；有较强的学习能力和创新精神，对自动驾驶技术有浓厚兴趣。
- 具备良好的团队合作精神和沟通能力，能够承受一定的工作压力。
岗位描述
- 1.参与自动驾驶系统中多模态大模型算法的研究、开发、落地与优化，重点方向包括但不限于：
-VLA（Vision-Language-Action）大模型：端到端驾驶决策与动作生成，视觉-语言-动作联合建模；
-VLM（视觉语言大模型）训练：多模态对齐、CPT/SFT、指令微调、开集目标检测与场景理解，提升模型在驾驶场景下的推理与泛化能力；
-World Model（世界模型）：驾驶环境建模、未来场景预测与生成、可控仿真，支撑规划决策与数据闭环。
- 2.负责设计并实现面向不同应用场景的多模态大模型架构，对模型进行持续迭代优化，以车端模型 / 数据产线模型量产为主要目标。
- 3.设计和实现多模态大模型的训练与微调流程，包括数据集构建与分析、数据预处理与标注、优化算法选择、超参数调整、模型性能评估等，确保模型在不同场景下的稳定性、可靠性与泛化能力。
- 4.针对多模态大模型进行车端 / 云端部署，使模型在大规模量产场景下高效运行，产生实际业务价值。
- 5.针对多模态大模型进行训练效率优化，实现训练提效与成本控制。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。