Momenta
实习端到端大模型算法工程师(Mstar)
北京/上海/苏州/深圳/广州 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 计算机、人工智能、自动化等相关专业硕士/博士应届毕业生
- 扎实的深度学习基础，熟悉Transformer、ViT、LLM等主流模型架构
- 具备VLM或VLA方向的研究或工程经验，理解视觉-语言对齐、多模态建模等核心技术
- 了解强化学习基本原理（PPO、GRPO 等），有RL在决策或控制任务中应用经验者优先
- 熟练掌握Python及PyTorch等主流训练框架，具备独立复现论文与工程化落地能力
- 在 CV、多模态或自动驾驶相关方向有研究或实习经历，有顶会论文（CVPR、ICCV、NeurIPS、ICLR 等）者优先。
- 加分项：
- 有端到端自动驾驶、BEV 感知、运动预测或规划相关研究/工程经验
- 了解强化学习、世界模型或生成式方法在驾驶场景中的应用
- 有大规模分布式训练经验（Megatron-LM、DeepSpeed、vLLM 等）。
岗位描述
- 1. 参与端到端自动驾驶大模型的架构设计与核心算法研究，整合感知、预测与规划模块，推动模型整体性能持续提升；
- 2. 基于Transformer、VLM等主流架构，探索感知-规划一体化建模方法，提升模型在复杂、长尾驾驶场景下的泛化与鲁棒性；
- 3. 结合Momenta海量量产路测数据，设计数据闭环驱动的训练策略，构建高质量数据集，加速模型迭代；
- 4. 追踪自动驾驶和人工智能领域等相关领域最新研究进展，探索前沿技术在端到端驾驶模型中的落地应用。
- 5. 基于端到端大模型，进行世界模型算法预研，提升端到端模型效果和泛化性。
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。