← 返回岗位列表

小鹏汽车

校招

【27届校招】空间智能算法工程师

广州/上海 · 校招 · 2027 届 · 硕士

长期有效

任职要求

  • 2027届研究生及以上学历,计算机、人工智能、自动化、机器人、测绘遥感、电子信息等相关专业优先
  • 具备计算机视觉、深度学习、三维几何或机器人相关基础,在三维重建、空间理解、视频生成、生成式数据、自动驾驶或机器人方向中至少一个方向有项目实践经验
  • 具备一定的算法问题拆解与实验分析能力,能够结合项目目标进行方案理解、实验对比和结果分析
  • 具备基础工程实现能力,熟悉 Python,了解 PyTorch / TensorFlow 等至少一种深度学习框架,能够完成数据处理、模型训练、评估分析或实验 pipeline 开发
  • 具备较好的论文阅读与方法复现能力,能够跟进相关方向前沿技术,并理解其在实际场景中的应用价值
  • 具备良好的沟通协作能力、学习能力和项目推进意识,能够在团队协作中持续学习并解决实际问题。
  • 加分项
  • 有三维重建、深度估计、NeRF、3D Gaussian Splatting、多视图立体、SLAM、场景理解等相关项目经验
  • 有图像/视频/3D 生成、合成数据、仿真数据或世界模型相关经验
  • 有自动驾驶、机器人、具身智能等相关科研、实习、竞赛或课程项目经验
  • 有从数据处理、模型训练到评估分析的完整实验经历,或有算法训练、数据生产、生成式数据 pipeline 搭建经验
  • 在相关方向有论文发表、开源项目、竞赛成果、优秀课程项目或产品落地经验。

岗位描述

职责概述:负责自动驾驶与机器人场景下空间智能相关算法研发工作,围绕三维重建、空间理解、视频/3D 生成式数据等方向,参与数据构建、模型训练、算法评估与优化,支持核心业务场景中的算法能力建设与落地。

岗位职责

  • 1、参与算法研发与模型训练:参与三维场景重建、空间理解、视频理解、图像/视频/3D 生成等方向的算法研发、实验验证与模型迭代,提升模型在几何精度、时空一致性和场景泛化能力方面的表现;
  • 2、参与数据质量评估体系建设:参与重建数据、生成数据和仿真数据的质量评估工作,协助建立评估标准、指标体系和问题归因方法,支撑模型训练、效果分析与算法优化闭环;
  • 3、参与数据生产流程优化:参与面向感知、规划、场景理解等任务的数据生产与处理流程优化,提升数据覆盖度、多样性和长尾场景补全能力;
  • 4、参与生成式数据探索与落地:参与图像生成、视频生成、3D 生成、仿真合成等方向的技术探索,协助提升生成数据质量,推动生成式数据在训练数据构建和算法评测中的应用。

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)

类型专业能力·难度困难
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

类型项目经历·难度中等
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

类型专业能力·难度简单
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

类型专业能力·难度中等
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

类型情景/案例·难度中等
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。