小鹏汽车
校招【27届校招】Omni模型算法工程师/研究员
深圳/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、电子信息、数学等相关专业，硕士及以上学历；具备优秀研究或工程能力者可放宽学历要求。
- 熟悉 Transformer、LLM、VLM、语音大模型或多模态生成模型中的一种或多种技术方向。
- 熟悉大模型预训练、指令微调、偏好对齐或强化学习方法，对模型 Scaling、数据工程和效果评估有深入理解。
- 熟练掌握 Python、PyTorch 等开发工具，具备良好的算法实现和问题分析能力。
- 具备大规模分布式训练、推理优化或多模态数据建设经验者优先。
- 具备较强的技术热情、创新意识和团队协作能力，能够持续跟进并快速验证前沿研究成果。
- 加分项
- 在多模态大模型、语音大模型、VLM、视频理解或生成等方向发表过高水平论文。
- 有代表性的开源项目、技术竞赛成果或完整大模型研发经验。
- 熟悉实时音视频、流式多模态建模、端到端语音交互或机器人智能体系统。
- 具备机器人、自动驾驶或真实物理世界多模态应用经验。
岗位描述
- 1、前沿模型研究与打造：面向通用人形机器人及真实物理世界场景，参与打造行业领先的 Omni 多模态大模型。研究文本、语音、视觉、视频、动作等多模态信息的统一表征、理解、推理与生成，提升模型在复杂开放环境中的通用智能能力。
- 2、模型架构与核心算法创新：深入探索可泛化、可 Scaling 的多模态模型架构与训练方法，重点攻关跨模态对齐与融合、时序建模、长上下文理解、实时流式交互、多模态推理及端到端生成等关键技术。
- 3、大规模训练与数据体系建设：参与多模态数据的构建、清洗、配比与质量评估，推进预训练、后训练、指令微调、偏好对齐及强化学习等技术研发；持续优化大规模训练效率、稳定性与模型效果。
- 4、真实场景落地与系统集成：推动 Omni 大模型与机器人感知、认知、决策及控制系统深度融合，构建面向真实场景的下一代智能体系统，提升机器人对环境、任务和人类意图的综合理解与响应能力。
- 5、推理优化与端侧部署：研究模型压缩、量化、蒸馏、推理加速及低时延服务技术，探索模型在机器人端侧及异构计算平台上的高效部署。
- 6、技术影响力建设：紧跟国际学术界与工业界最新进展，通过算法创新、技术攻坚、论文专利及系统迭代，持续形成具有行业影响力的技术成果。
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。