蔚来
实习实习-智能辅助驾驶生成式决策算法实习生
上海 · 实习 · 2027 届 · 不限
长期有效
任职要求
- 在生成式模型（扩散模型、自回归模型）、强化学习、智能辅助驾驶行为预测/规划、多模态条件生成 等任一方向有项目或研究经验者优先
- 计算机、人工智能、自动化、车辆工程等相关专业背景，有 CVPR/ICRA/IROS/CoRL/ICLR 等会议论文、技术报告或开源项目者优先
- 精通 PyTorch，熟悉 Flow Matching、Diffusion 等框架，有 nuScenes / Waymo / Argoverse 2 等智能辅助驾驶数据集使用经验者加分
- 理解 Classifier-Free Guidance 的原理与实现，并能将其应用于连续动作空间的生成任务
- 具备良好的沟通、协作能力
- 实习时间不少于 4个月，每周出勤 不少于4天，能尽快到岗者优先。
岗位描述
参与面向智能辅助驾驶系统的基于 Classifier-Free Guidance（CFG）的生成式强化学习算法研发，提升智能辅助驾驶行为决策的可控性、多样性与安全性；
研究内容包括但不限于：语言/视觉/地图等多模态条件下的轨迹生成、CFG 在动作/轨迹空间中的引导机制设计等；
负责算法在仿真环境和实车数据上的开发、迭代、评估与部署，支持端到端智能辅助驾驶决策模块的落地。
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。