蔚来
校招提前批-车端大模型与世界模型系统架构工程师
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 我们希望你具备
- 博士学历，计算机、人工智能、机器人、智能辅助驾驶、电子工程、软件工程等相关方向。
- 熟悉以下至少一个方向：
- 大模型后训练、SFT、RLHF / RLAIF、强化学习、偏好优化
- 多模态大模型、VLM、VLA、具身智能大脑
- 世界模型、视频生成模型、动作生成模型、端到端智能辅助驾驶模型
- 端侧 AI 推理优化、模型压缩、蒸馏、量化、推理加速。
- 能够理解模型结构和训练范式背后的系统需求，而不只是关注模型指标本身。
- 具备较强的工程抽象能力，能够把算法问题翻译成系统架构问题。
- 具备良好的沟通能力，愿意在算法、芯片、OS、整车电子电气架构之间做跨团队协作。
- 加分项
- 有智能辅助驾驶、机器人、具身智能、智能座舱、多模态交互相关研究或项目经验。
- 熟悉 Transformer、Diffusion、MoE、KV cache、long context、agent memory、端侧部署等机制。
- 有 GPU / NPU / SoC / memory bandwidth / runtime / scheduler / compiler 相关经验。
- 有真实系统落地经验，而不仅是论文或 benchmark 经验。
- 对智能汽车、机器人或 AI Native 设备的系统架构有强烈兴趣
岗位描述
岗位定位
我们正在建设下一代智能汽车 AI 计算与系统架构。未来车端将同时承载智能辅助驾驶世界模型、VLA / VLM 模型、座舱多模态大模型、车端 Agent、安全 Agent 等多类 AI 工作负载。
架构团队不直接以训练模型为唯一目标，而是负责把模型能力、模型演进趋势和业务体验目标，转化为芯片、OS、内存、存储、通信、隔离、数据闭环和软件平台的系统架构设计。
我们希望招聘具备大模型后训练、世界模型或 VLA 模型背景的博士校招生，成为 AI 模型团队和整车系统架构团队之间的桥梁。
你将负责
跟踪和理解大模型后训练、强化学习、偏好对齐、多模态模型、世界模型、VLA / VLM 等方向的技术演进，判断其对车端系统架构的影响。
将模型需求转化为可落地的系统架构指标，包括但不限于算力、显存 / 内存容量、内存带宽、KV cache、上下文长度、模型并发、模型隔离、端侧推理延迟、功耗和热设计约束。
面向智能辅助驾驶、智能座舱、车端 Agent 等场景，参与设计下一代车端 AI 计算架构，包括中央计算、区域控制、跨域通信、模型部署、资源调度和安全隔离方案。
参与世界模型、VLA 模型、多模态大模型在车端部署的可行性分析，形成技术路线判断、平台需求和 POC 方案。
与算法、芯片、OS、中间件、座舱、智能辅助驾驶、数据闭环等团队协作，推动 AI 模型能力向产品体验和平台架构落地。
输出面向技术决策的分析报告、架构方案、性能模型、系统 KPI 和技术控制点。
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。