小鹏汽车
校招【27届校招】智能座舱算法工程师（仿真，北京）
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 扎实的编程能力，熟练掌握 Python，熟悉常用深度学习框架（PyTorch 等）
- 了解大语言模型（LLM）的基本原理与应用，有 Prompt Engineering 或模型微调经验
- 具备以下至少一个方向的实际项目或研究经验：
- -大模型应用 / Agent 构建
- -强化学习（RLHF、PPO、Reward Modeling 等）
- -对话系统 / NLP
- -数据处理与分析
- -良好的自驱力与沟通能力，能独立推进研究课题
- 【加分项】
- 在 ACL、EMNLP、NeurIPS、ICML、ICLR、AAAI 等顶会发表过论文
- 有AI 相关岗位实习经验
- 有 Agent / Multi-Agent 系统、仿真平台相关项目经验
- 熟悉智能座舱、智能驾驶或车载交互相关领域。
岗位描述
参与智能座舱仿真评测平台的核心算法研发工作，围绕"评测 - 仿真 - 智能体"三大方向，推动座舱交互体验的自动化评测与持续优化。具体工作内容包括但不限于：
- 1、评测体系构建
- - 设计并构建智能座舱场景下的评测 Benchmark，覆盖多轮对话、多模态交互、任务完成度等维度
- - 研发评测 Reward Model，建立可量化、可迭代的自动化评分体系
- 2、智能体（Agent）研发
- - 构建评测 Agent，实现对座舱对话系统的自动化、规模化测试
- - 设计用户行为仿真 Agent，模拟真实用户在座舱场景中的交互行为与意图模式
- 3、仿真环境搭建
- - 参与座舱环境仿真系统的研发，构建可复现、可配置的虚拟测试环境
- - 参与感知仿真模块开发，模拟语音、视觉、手势等多模态输入信号
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。