小鹏汽车
实习Omni模型算法实习生
北京/深圳 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 计算机、人工智能、自动化、数学、电子信息等相关专业，在读硕士研究生或本科高年级学生，可保证连续实习 3 个月及以上，每周到岗不少于 4 天
- 掌握 Transformer、LLM、VLM、多模态生成模型基础原理，了解大模型预训练、微调、对齐基础流程
- 熟练使用 Python、PyTorch，具备基础算法代码实现、实验复现、数据分析能力
- 具备严谨的实验习惯，擅长梳理实验数据、撰写文档，沟通协作顺畅，学习能力强
- 能主动跟进 AI 前沿技术，乐于动手验证各类算法方案。
- 加分项
- 有多模态大模型、VLM、视频 / 语音模型相关课程项目、竞赛、科研论文产出
- 有开源多模态项目复现、小规模模型训练、数据集搭建实操经历
- 了解流式多模态、实时音视频交互、机器人 / 自动驾驶多模态落地场景
- 熟悉模型量化、推理加速、分布式训练基础操作
- 实习周期 6 个月及以上优先。
岗位描述
- 1. 前沿多模态模型辅助研发：参与通用人形机器人 Omni 多模态大模型研发，协助开展文本、视觉、语音、动作等多模态统一表征、理解、推理相关实验验证，跟进前沿多模态算法复现与效果对比。
- 2. 算法实验与架构迭代支撑：协助研究员完成跨模态对齐、时序建模、流式交互、多模态生成等核心模块实验，参与模型小规模调参、消融实验、结果分析，输出标准化实验报告。
- 3. 多模态数据与训练辅助工作：参与多模态数据集清洗、标注校验、数据配比、质量评估；协助完成预训练、微调、偏好对齐等流程脚本开发，跟进小规模训练任务，记录训练日志、定位基础训练异常。
- 4. 机器人场景落地配套工作：配合工程师完成大模型与机器人感知、认知模块联调测试，完成交互场景功能验证、效果记录，整理场景落地问题清单。
- 5. 端侧推理优化辅助：协助开展模型量化、蒸馏、推理测速等基础实验，整理不同硬件平台下的时延、性能数据，撰写优化对比文档。
- 6. 前沿技术调研沉淀：跟进多模态大模型领域的学术与产业前沿进展，定期输出技术调研简报；协助整理专利、实验材料、技术文档。
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。