美团
校招【北斗】具身智能数据算法工程师
北京/深圳 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 【岗位要求】
- 1.计算机科学、机器人学、自动化、人工智能等相关专业。
- 2.在以下至少一个领域有深入理论理解与研究：机器人、计算机视觉、多模态大模型、强化学习、仿真与规划控制。
- 3.扎实的工程与代码能力，能够独立完成从前沿研究到工程落地的全链路，熟练运用AI工具辅助解决复杂工程问题。
- 4.具备顶级期刊或会议（如 CVPR、ICCV、ICRA、IROS、NeurIPS 等）高质量论文发表经历。
- 5.有机械臂、移动机器人或无人机真机部署与实际操作经验；有大规模仿真训练（如 Isaac Sim、Sapien）经验者优先。
- 【岗位吸引力】
- 1.直击AGI核心，定义具身智能前沿你将站在具身智能（Embodied AI）与多模态大模型的最前沿，在这里，你不是在使用别人的模型，而是亲自探索机器人领域的 Scaling Law 与泛化边界，做走向通用人工智能的先行者。
- 2.海量真实场景，全链路真机闭环依托美团极其丰富的真实业务场景（无人机/移动机器人/机械臂），拥有行业稀缺的大规模真机与第一人称操作数据。拒绝纯“仿真玩具”，你将打通“数据采集→模型训练→仿真评测→真机部署→基于RLHF自我迭代”的完整商业化闭环。
- 3.“北斗计划”顶级资源，AI-Native研发环境作为核心人才计划的参与者，你将获得行业顶级的导师资源与充足的GPU算力，支撑超大规模 Foundation Model 训练。团队全面拥抱AI工具，鼓励用最先进的AI手段解决复杂工程问题，不设条条框框，研发效率拉满。
岗位描述
【岗位职责】
美团是中国领先的生活服务科技平台，拥有覆盖数千万商户与数亿用户的真实履约网络。美团无人机是全球率先实现城市低空配送常态化运营的团队。我们正将具身智能技术引入大规模真实物理场景，探索"让机器像人一样理解世界、自主行动"的下一代智能体。你将加入具身智能算法核心团队，承担以下职责：
- 1.大规模数据体系建设：设计构建大规模真机与第一人称操作数据采集体系，探索类人形具身数据最优闭环范式；推动超大规模数据工具链建设，研究数据混合策略，探索 Foundation Model 在机器人中的 Scaling Law 与泛化边界。
- 2.真机部署与自我迭代：构建迈向商用的真机部署方案，结合美团真实业务场景（如无人机/机器人），研究基于人类反馈的强化学习与示范学习，使智能体实现技能的快速增量学习与迭代。
- 3.评测体系与前沿探索：建立具身智能系统化评测体系（任务成功率、泛化性等）指导模型迭代；依托公司真实场景数据与高校合作资源，定义并解决具身智能领域的关键科学问题，参与前沿学术会议的高质量论文产出。
【任职要求】
【岗位要求】
- 1.计算机科学、机器人学、自动化、人工智能等相关专业。
- 2.在以下至少一个领域有深入理论理解与研究：机器人、计算机视觉、多模态大模型、强化学习、仿真与规划控制。
- 3.扎实的工程与代码能力，能够独立完成从前沿研究到工程落地的全链路，熟练运用AI工具辅助解决复杂工程问题。
- 4.具备顶级期刊或会议（如 CVPR、ICCV、ICRA、IROS、NeurIPS 等）高质量论文发表经历。
- 5.有机械臂、移动机器人或无人机真机部署与实际操作经验；有大规模仿真训练（如 Isaac Sim、Sapien）经验者优先。
【岗位吸引力】
- 1.直击AGI核心，定义具身智能前沿你将站在具身智能（Embodied AI）与多模态大模型的最前沿，在这里，你不是在使用别人的模型，而是亲自探索机器人领域的 Scaling Law 与泛化边界，做走向通用人工智能的先行者。
- 2.海量真实场景，全链路真机闭环依托美团极其丰富的真实业务场景（无人机/移动机器人/机械臂），拥有行业稀缺的大规模真机与第一人称操作数据。拒绝纯“仿真玩具”，你将打通“数据采集→模型训练→仿真评测→真机部署→基于RLHF自我迭代”的完整商业化闭环。
- 3.“北斗计划”顶级资源，AI-Native研发环境作为核心人才计划的参与者，你将获得行业顶级的导师资源与充足的GPU算力，支撑超大规模 Foundation Model 训练。团队全面拥抱AI工具，鼓励用最先进的AI手段解决复杂工程问题，不设条条框框，研发效率拉满。
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。