【27届校招】世界模型研究员

北京/上海/深圳 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

2027 届硕士及以上学历，计算机科学、人工智能、自动化、机器人、电子工程、数学等相关专业
扎实的机器学习和深度学习理论基础，熟悉 Transformer、Diffusion、Flow Matching、多模态大模型、大语言模型等主流技术
在以下一个或多个方向具有研究或工程经验：
-World Model
-Video Generation / Video Prediction
-Vision-Language-Action（VLA）
-Vision Foundation Model
-Embodied AI
-Reinforcement Learning
-Self-supervised Learning
-3D Vision / Multi-view Learnin
熟练掌握 Python，熟悉 PyTorch，具备良好的 C++ 编程能力
具备优秀的问题分析能力、科研创新能力及工程落地能力，对探索前沿 AI 技术充满热情
在 CVPR、ICCV、ECCV、NeurIPS、ICLR、ICML、CoRL、RSS 等国际顶级会议发表论文，或具有高水平科研成果、开源项目、国际竞赛经历者优先。

岗位描述

我们致力于构建新一代自动驾驶大模型，通过世界模型（World Model）学习真实物理世界的时空规律，实现自动驾驶系统对未来环境的预测、推理与决策能力。

你将参与自动驾驶世界模型的前沿研究，并推动研究成果在真实自动驾驶系统中的规模化应用，包括但不限于：

1.研究并构建面向自动驾驶的 Predictive / Generative World Model，学习真实物理世界的长期时空动态及因果规律，探索世界模型作为驾驶智能体模型以及环境仿真模型的核心能力。
2.研究视频生成（Video Generation）、未来预测（Future Prediction）、时空建模（Spatio-temporal Modeling）、Latent World Model、自回归建模（Autoregressive Modeling）、Diffusion、Flow Matching 等前沿生成式建模技术，持续突破世界模型的预测能力、泛化能力及可扩展性。
3.探索 Vision-Language-Action（VLA）、Video Foundation Model、多模态大模型等统一架构，实现感知、预测、规划、控制的一体化建模，推动下一代端到端自动驾驶技术发展。
4.围绕长时序推理（Long-horizon Reasoning）、行为预测、交互建模、世界模拟（World Simulation）、强化学习（RL）、Embodied AI 等方向开展原创研究，探索自动驾驶智能的新范式。
5.推动世界模型在自动驾驶量产中的应用，负责模型训练、数据构建、模型压缩、推理优化、车端部署及云端部署，实现模型在大规模量产场景中的稳定运行与持续迭代。
6.持续优化大模型训练效率、数据效率及推理效率，构建高效、可扩展的世界模型训练与部署体系。
7.跟踪国际前沿研究进展，结合业务场景开展原创算法研究，推动高质量研究成果在顶级国际会议发表，并最终应用于真实自动驾驶产品。

开放研究课题（Open Research Problems）

你将有机会探索但不限于以下方向：

1.如何利用海量无标注驾驶视频学习具有物理一致性的世界模型？
2.如何实现分钟级长时序预测与长期因果推理（Long-horizon Forecasting & Reasoning）？
3.如何构建统一的 Vision-Language-Action World Model，实现感知、预测、规划与控制的统一建模？
4.如何结合 World Model 与 Reinforcement Learning，实现持续学习与智能决策？
5.如何利用世界模型生成高真实性、高覆盖率的自动驾驶仿真数据？
6.如何实现世界模型在车端实时运行，并满足量产系统的性能、时延及资源约束？
7.如何构建能够持续演进的自动驾驶 Foundation Model，提升泛化能力、可解释性及安全性？

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

登录后分析我的简历

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。

前往官方投递页 →