小鹏汽车
校招【27届校招】世界模型AI算法工程师/研究员
深圳/上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 计算机、人工智能、电子工程、自动化等相关专业应届毕业生，硕士及以上学历，对世界模型、具身智能、大模型交叉方向有强烈热情
- 扎实的机器学习与深度学习基础，熟悉 Transformer / Diffusion / VLM 等主流模型
- 在以下任一方向有研究、项目、实习或课程经验：多模态大模型、AIGC / 视频生成、强化学习、Robotics / 具身智能、3D Vision、大规模训练与推理系统
- 熟练使用 PyTorch，掌握 Python（会 C++ 更佳），工程实现与调试能力强，能把想法快速跑成实验
- 思维开放、谦逊、自驱，好奇心强、学得快，乐于啃硬问题并与团队高效协作。
- 【加分项】
- 以主要作者身份在 CVPR / ICCV / ECCV / CoRL / ICRA / NeurIPS / ICLR / ICML / SIGGRAPH 等顶会顶刊发表论文
- 有多模态 / 大模型 / 世界模型 / 视频生成 / 机器人 相关的深度项目或开源贡献
- 大规模分布式训练、CUDA / 算子优化、推理部署等系统方向经验（面向基建岗）
- ACM/ICPC、NOI/IOI、Kaggle、TopCoder 等竞赛获奖；扎实的数学功底
- 熟悉世界模型 / 视频生成 / VLA 开源生态（如 Wan、Cosmos、OpenVLA 等），有实践或二次开发经验
- 能用英文撰写文档、论文或进行技术交流。
- 【我们提供】
- 世界级的研发平台与资源：充足算力、真实机器人系统与数据平台
- 与国内外顶尖研究、工程团队共事，在一支精悍扁平的团队里做真正前沿的事
- 充分的探索自由与快速成长空间，以及面向毕业生的系统培养机制
- 让你的工作直接作用于真实世界的机器人，而不止于 benchmark。
- 如果你想亲手为机器造一个"世界"，让 AI 真正理解并作用于物理世界——欢迎加入我们。
岗位描述
【关于机器人中心】
小鹏机器人中心专注于构建面向未来的人形机器人系统，融合先进的人工智能、控制、机械与系统工程，打造能感知、理解、操作并与现实世界交互的下一代机器人。
【关于世界模型团队】
我们相信，让机器真正在物理世界里泛化的钥匙，不是记住一个个任务，而是让模型学会"世界如何运转"——这就是世界模型（World Model）。
我们要构建的，是一个能理解当下、预见未来、并据此行动的模型：它不再是面向单一任务的策略，而是一个吸收了海量物理动力学知识、能"想象"未来、能跨场景泛化的具身基础模型。我们的目标是超越现有操作模型的泛化边界，做出可泛化、可落地、可 scaling 的世界模型，并在真实机器人闭环上验证它的价值。
团队精悍、扁平，成员分布于深圳、上海与美国硅谷，聚集了一批世界一流的研究者与工程师。在这里，你将：
站在具身智能最前沿，啃"通用泛化"这个最硬、也最值得啃的问题；
打通 数据 → 预训练 → 仿真 → 部署 → 真机 的全栈链路，亲眼看着自己的模型在真实机器人上跑起来；
与来自顶级高校与工业界的同伴并肩，快速试错、快速迭代。
【我们在做什么】
围绕世界模型，我们打通从数据到真机的全栈：训练 World Action Model（WAM）统一"理解世界—预测演化—生成动作"、突破泛化边界；训练 World Simulation Model（WSM）做长时序、物理一致的生成式仿真，用于策略评估与合成数据；从互联网规模的视频中蒸馏世界知识；并以大规模分布式训练、推理优化与端侧部署的基建，让 scaling 真正跑得起来、落得下去；同时在世界模型的 loop 里探索强化学习，让策略在"想象"中自我提升。
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。