薪酬概览
平均月薪
¥46400
中位数 ¥0 ｜ 区间 ¥33900 - ¥58900
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
100% 人群薪酬落在 >30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
8月新增岗位
35
对比上月：岗位新增31
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 1-3年 | 7 | 21.2% |
| 3-5年 | 19 | 57.6% |
| 5-10年 | 7 | 21.2% |
热招职位
• 计算机、自动化、人工智能、电子信息等相关专业硕士及以上学历，熟练掌握Python、Java、C/C++等其中至少一门编程语言。
• 对以下至少一个技术领域有深入理解：a.LLM；b.生成式模型；c.强化学习；d.运筹优化；e.因果推断；f.互联网搜推广算法。
• 具备优秀的技术创新能力，有成果发表在ICML、NeurIPS、KDD、WWW等国际会议、期刊者优先。
• 具备出色的分析和解決问题的能力，保持主动性和求知欲，善于沟通协作并且能够扛住压力。
1. 计算机、数学、统计学或相关专业硕士及以上学历；
2. 2年及以上工作经验，具备竞价广告相关算法研发经验，有头部互联网公司背景者优先；
3. 扎实的编程能力，熟练掌握 Pytorch/Tensorflow 中至少一类框架，具备良好的数据结构与算法基础；
4. 深入理解机器学习、深度学习原理，熟悉运筹优化、强化学习、拍卖机制、博弈等至少一个方向，并有成功落地经验；
5. 具备优秀的逻辑思维、问题拆解与跨团队协作能力，能从业务本质出发推动技术方案落地；
6. 在 KDD、WWW、SIGIR、NeurIPS、ICML 等顶会/期刊发表过论文，或在 Kaggle、天池等竞赛中取得优异成绩者优先；
7. 聪明皮实、自信乐观，对技术有热情，敢于挑战复杂问题，追求极致创新与业务价值双赢；
8. 参加过ACM或数据挖掘&机器学习类竞赛(天池大奖赛、Kaggle)并取得好名次者更佳；
1. 硕士及以上学历，计算机或相关专业，一年及以上搜推广方向工作经验。
2. 具备优秀的分析和解决问题的能力，擅于沟通，有良好的团队合作精神。
3. 熟悉常用的机器学习算法，对算法原理及应用有较深入的理解和实践，有大模型相关经验或在相关顶会/期刊发表过论文者更佳。
4. 具备较好的工程实现能力，熟悉C/C++、Java、Python等至少一门语言。
5. 聪明、自信，敢于突破，对技术有执着的追求和热爱。
1、负责具身智能相关算法的设计、开发与优化，包括但不限于机器人运动规划、感知与决策融合算法等。
2、参与具身智能系统的架构设计与搭建，确保系统的高效性、稳定性和可扩展性。
3、与硬件团队紧密合作，实现算法在实际机器人硬件平台上的部署与验证。
4、跟踪具身智能领域的最新研究成果，将前沿技术融入到产品研发中。
5、指导初级工程师开展工作，推动团队整体技术能力提升。
1、负责端到端的多视角三维重建流水线设计与实现，包括数据预处理、标定对齐、稠密重建与渲染；
2、基于 NeRF / 3DGS 等先进神经渲染方法，研发可扩展的模型及部署方案；
3、设计并搭建评估指标/自动化测试，用于量化重建质量、实时性与下游任务影响；
4、与数据工程、标注、仿真和感知团队协作，将研究成果工程化并部署到训练/离线渲染/实时仿真管线中；
1、负责研发自动驾驶系统中城市 NOA 场景的纯视觉occupancy 、feed-forward 3D Gaussian Splatting、world model和预训练任务等通用感知识别及端到端检测-跟踪-规划网络；
2、推进前向 3DGS（3D Gaussian Splatting）、SDF 表示学习及基于 World Model 的感知与决策融合算法在量产框架中的落地与优化；
3、负责持续验证、测试与数据驱动优化，联动测试团队处理真实驾驶场景中出现的长尾与异常情况；
4、跟踪前沿技术（如多模态融合、端到端 Transformer 架构、场景生成与预测），并结合业务需求转化为可靠可部署的工程方案；
1. 计算机、人工智能、数学、电子工程等相关专业，硕士及以上学历优先。
2. 具备扎实的机器学习、深度学习基础，熟悉 Transformer、Diffusion、VAE、LLM、多模态模型等主流技术。
3. 在以下至少一个方向有较强实践或研究经验：视频生成 / 图像生成、视频理解 / 多模态理解、 LLM&Agent
4. 对真实业务问题有兴趣，能够将前沿算法与业务目标结合，推动技术落地。
5. 具备良好的问题分析能力、沟通协作能力和自驱力。
探索自动驾驶多模态大模型的基础模型架构和训练范式，基于数据闭环提升VLM的时空理解能力，基于3DGS/世界模型等技术构建大规模强化学习闭环训练框架，提升数据效率、训练效率、稳定性、场景泛化性，推动VLM和强化学习在物理世界的落地应用。
根据个人技术背景与兴趣，你将重点参与并攻坚以下一项或多项核心工作，完成核心算法的优化探索，并在指导下冲击顶级学术会议（CVPR / ICCV / NeurIPS / ICLR 等）：
1、长时序生成： 深入探索实时可交互视频生成范式，参考并改进Self-forcing, Helios 等前沿架构，突破超长时序环境生成的质量和一致性瓶颈；
2、实时交互与加速： 研究并应用 DMD2 等前沿模型蒸馏与加速算法，大幅降低视频生成延迟，实现毫秒级的基于动作（Action-conditioned）的闭环环境响应；
3、通用视觉表征构建： 负责 VAE 等底层表征模型的探索与深度优化，大幅提升图像/视频特征的重建质量与时空压缩率，为世界模型构建高保真、强泛化性的通用视觉表征；
4、架构设计与优化： 参与交互式世界模型的底层架构设计、模型训练与工程优化，支持自动驾驶端到端算法的仿真验证；
1. 负责城区及高速驾驶行为路径规划算法开发；
2. 负责强交互场景精细化的横纵联合branching博弈算法开发；
3. 负责规控算法的仿真评测和实车测试，并协助在嵌入式量产平台进行算法实现；
4. 遵循最佳系统工程和软件工程实践，配合开发流程和团队协作，确保研发效率和产品质量；
【北斗实习】大模型应用算法工程师-【Reasoning能力提升】
【课题说明】通用模型往往难以兼顾多样化的场景需求，容易出现泛化能力强但针对性不足的问题。针对这一挑战，本课题聚焦于研究面向具体业务或应用场景的强化学习训练优化策略，通过引入场景特定的奖励函数、环境建模和数据采样机制，提升模型在特定任务下的表现能力与适应性。课题重点突破模型在细粒度场景下的泛化能力不足、奖励稀疏、训练效率低等问题，为大模型的行业落地提供有力支撑。【建议研究方向】1.场景特定奖励设计：针对不同业务场景，定制化设计奖励函数，提升模型在目标任务中的表现能力。
2.环境模拟与数据生成：构建高保真场景模拟环境，开发高效的数据采样与生成机制，提升强化学习训练效率。
3.迁移与泛化能力增强：研究多场景迁移学习与元强化学习方法，提升模型从通用能力到场景定制能力的转化效率。
4.推理增强型RAG系统：基于图结构的知识融合、混合模型的协同推理架构和强化学习驱动的优化方法，进一步提升RAG系统能力。
5.基于价值观约束的大模型风险控制与安全防护。
1. 负责机器人系统的核心功能开发，主导运动控制、环境感知（激光雷达/视觉/IMU）、路径规划与决策模块的跨系统集成与性能优化。
2. 适配运动控制算法（动态避障、多机调度）、SLAM（激光/视觉SLAM）、FreeSpace检测、运动学/动力学模型。
3. 基于Docker实现容器化部署，涉及自动化测试与CI/CD等整体流程。
4. 通过性能分析工具定位瓶颈，优化系统资源占用与延迟。
5. 编写技术文档（方案设计/接口规范），推动团队代码评审与质量管控。