蔚来
校招提前批-大模型算法工程师(数据闭环方向)
上海/北京 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 计算机、人工智能、自动化、机器人等相关专业硕士及以上学历。
- 扎实的机器学习和深度学习基础，熟悉 Transformer、Diffusion、LLM 等主流模型架构。
- 熟悉强化学习基础理论，包括：MDP、Policy Gradient、Actor-Critic、Offline RL熟悉智能辅助驾驶训练链路，包括：数据构建数据清洗数据版本管理模型训练模型评测闭环迭代具备良好的工程能力，能够独立完成算法设计、实验验证和线上部署。
- 加分项智能辅助驾驶方向有端到端智能辅助驾驶（E2E Driving）经验。有 Planning、Behavior、Trajectory Prediction 或 Closed-loop Simulation 经验。有 CARLA、闭环仿真或真实车辆部署经验。
- 有智能辅助驾驶数据引擎建设经验。有数据版本管理平台设计经验。
- 数据与训练体系方向有 PB 级数据管理经验。
- 有训练数据自动发版体系建设经验。
- 有数据质量度量、场景覆盖分析、难例挖掘经验。
- 有训练效率优化经验（吞吐、收敛、成本优化）。
- 学术背景在以下顶级会议或期刊发表论文者优先有智能辅助驾驶、强化学习或大模型方向高质量开源项目经验者优先。
岗位描述
负责智能辅助驾驶端到端模型的强化学习训练框架设计与优化，包括但不限于 PPO、GRPO、DPO、Offline RL、RLHF 等技术路线。
负责智能辅助驾驶训练数据体系建设，包括数据版本管理、数据质量评估、场景覆盖分析、长尾场景挖掘和数据迭代策略设计。
负责智能辅助驾驶奖励模型（Reward Model）和评测体系建设，设计兼顾安全性、舒适性、效率和规则遵守的奖励函数体系。
负责智能辅助驾驶模型训练闭环建设，包括数据挖掘、数据生产、训练、评测、回灌和迭代优化。负责大规模分布式训练任务开发与优化，提升训练效率、资源利用率和模型收敛效果。
探索 Diffusion、Autoregressive、World Model、RL 等前沿技术在智能辅助驾驶中的应用，并推动落地。
跟踪学术界和工业界最新进展，推动先进算法在业务中的快速验证和落地。
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。