薪酬概览
平均月薪
¥29500
中位数 ¥30000 ｜ 区间 ¥22000 - ¥37000
数据来源：谈职全网25份招聘数据；更新时间：2026年7月13日
月薪分布
44% 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
6月新增岗位
17
对比上月：岗位减少30
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 |
|---|---|---|
| 应届 | 11 | 73.3% |
| 3-5年 | 2 | 13.3% |
| 不限经验 | 2 | 13.3% |
热招职位
1、计算机科学、人工智能、数学等相关专业的硕博学生，或有丰富的AI、LLM相关实践经验；
2、兼备较强的AICoding能力，以及强悍的编码基本功，擅长将算力转化为生产力，用AI构建AI；
3、抗压能力强；具备良好的沟通表达能力、数据驱动的分析能力，以及面向具体业务问题出色的问题定义和抽象能力；
4、对于AI产品有热情与好奇心，深度参与过AI Native产品研发，或对AI原生应用有独到见解；
5、熟悉LLM与Agent等相关算法原理， 尤其是在后训练、大规模强化学习、持续学习、自蒸馏等算法方向有研究或实践者优先；
6、在人工智能相关顶会发表过论文者优先、在开源社区有高质量的 Agent 框架贡献或独立开发过成熟的 Agent 应用优先。
1、负责永磁同步电机/异步电机等新能源汽车常用电机的核心控制算法的设计、仿真与实现，包括但不限于：磁场定向控制、最大转矩电流比控制、弱磁控制、电机参数辨识与自学习、无位置传感器控制等
2、进行电机控制算法的建模、仿真与性能优化，确保算法满足动态响应、效率、转矩控制精度、NVH等要求。负责控制算法从模型到嵌入式代码的转化、集成、调试与优化
3、研究和开发先进的电机控制策略以提高系统效率、动态响应性能和鲁棒性
4、撰写详细的技术文档，包括算法设计文档、接口文档、测试报告等
5、制定详细的测试方案，利用台架（测功机、HIL）进行算法功能和性能的测试、标定与验证
6、分析测试数据，诊断问题，优化控制参数和算法
7、深刻理解并贯彻ISO 26262功能安全标准，将功能安全需求（如ASIL等级）融入算法设计和实现中
8、与电机本体设计、电力电子硬件、系统集成、测试验证等团队紧密合作，解决电机控制系统集成中的技术问题
9、协助分析整车路试验证中出现的问题，定位问题原因（控制相关），并提出改进方案
10、支持量产阶段遇到的电机控制相关问题分析与解决
1、自主移动机器人(AMR)及多关节机械臂等机器人运动学控制算法开发，包括关节空间、笛卡尔空间的轨迹规划及插补，轨迹过渡，前馈控制，反馈控制，力控算法等；
2、机器人动力学建模及算法开发；
3、搭建Gazebo/Isaac Sim仿真环境，完成算法验证、嵌入式平台（如NVIDIA Jetson）部署与实机调试闭环。
4、开发机器人运动轨迹生成算法，优化机器人在不同场景下的行为决策，包括不同环境下局部避障等策略；
5、机器人规控算法的软件实现、配合整机联合调试，解决决策和运动规划工程问题；
6、编写测试文档。
岗位概述：
我们是自动驾驶系统评测团队，旨在以先进数据驱动迭代范式搭建仿真与实车统一量化评测系统，驱动端到端自动驾驶模型迭代与产品标准化
工作职责：
1、设计与开发自动驾驶端到端模型评测指标，量化评估模型在全场景、多任务下的性能表现
2、以数据驱动的方式优化评测算法的精度和性能，提升其准确性与泛化性
3、参与构建评测数据闭环，建立可复现的评测迭代体系与回归方法
4、与算法研发团队紧密合作，参与模型迭代过程中的问题定位、指标设计与质量闭环推进
1.结合智能座舱场景需求，负责大模型智能体相关的基础性和应用性算法开发与调优，包括根据座舱交互任务定义，构造适配的数据，进行SFT、RLHF等算法设计开发。
2.Agent场景下模型能力提升，优化模型对指令的遵循能力，包括但不限于人物设定、输出格式、工作流程等，以及复杂场景下多工具联合调用能力，提升模型对复杂任务的规划、分解、反思能力，优化模型在座舱环境下的语音交互、场景感知等专用领域的表现，确保良好的用户体验。
3.针对座舱场景下用户的各种行为动作，结合RAG等技术，构建智能体长短期记忆框架，包括但不限于记忆的离线加工、存储、在线提取等环节
4.搭建面向汽车智能座舱场景的Agent框架，提升Agent系统稳定性和可靠性
5.密切追踪Agent领域发展趋势，积极引入先进的理念和技术，保持技术的领先性
工作职责：
1、负责多模态大模型的研究、开发以及应用落地，包括但不限于语言大模型、视觉大模型、多模态向量模型等模型的预训练、微调、强化学习等训练推理工作；
2、负责多模态相关算法的研究和开发，包括但不限于文本、图像、视频、音频、图表等多模态数据的处理和生成；
3、负责行业智能体所需的算法模型、工作流、工具链的研究和开发；
4、跟进最新的学术研究进展，将先进的算法和技术应用到实际项目中；
5、与团队成员密切合作，共同推动项目的进展和创新。
任职要求：
1、研究生及以上学历，计算机、数学、统计学、自动化或相关专业，相关工作经验不低于5年；
2、熟悉Python/Java/C++等编程语言，具备良好的编码习惯和一定的工程能力；
3、具备机器学习、深度学习以及计算机视觉算法的基础知识，熟练掌握多模态大模型相关算法和模型；
4、良好的沟通能力、团队合作精神以及较强的问题解决能力；
5、对人工智能有浓厚的兴趣和热情，对每一行代码负责，对业务方负责，具备工匠精神。
6、熟练使用 AI 辅助开发工具。
工作职责：
1、负责多模态大模型的研究、开发以及应用落地，包括但不限于语言大模型、视觉大模型、多模态向量模型等模型的预训练、微调、强化学习等训练推理工作；
2、负责多模态相关算法的研究和开发，包括但不限于文本、图像、视频、音频、图表等多模态数据的处理和生成；
3、负责行业智能体所需的算法模型、工作流、工具链的研究和开发；
4、跟进最新的学术研究进展，将先进的算法和技术应用到实际项目中；
5、与团队成员密切合作，共同推动项目的进展和创新。
任职要求：
1、研究生及以上学历，计算机、数学、统计学、自动化或相关专业，相关工作经验不低于5年；
2、熟悉Python/Java/C++等编程语言，具备良好的编码习惯和一定的工程能力；
3、具备机器学习、深度学习以及计算机视觉算法的基础知识，熟练掌握多模态大模型相关算法和模型；
4、良好的沟通能力、团队合作精神以及较强的问题解决能力；
5、对人工智能有浓厚的兴趣和热情，对每一行代码负责，对业务方负责，具备工匠精神。
6、熟练使用 AI 辅助开发工具。
随着AI下半场的到来，传统的评测范式已经无法适配持续提升的模型能力，针对ChatBot模型的Arena评测的有效性也遭到质疑，如何面向现阶段以及未来的模型能力进行科学有效的评估本身也是个极具挑战和价值的研究方向。OpenAI研究者也表示，AI接下来比拼的不是训练，而是“如何定义并评估真正有用的任务”。在这样的背景下，美团大模型评测团队以指引通往AGI的道路为目标，深耕模型评测研究，系统性的理解大模型当前能力水平及未来技术发展方向，并以此为基础完善模型评测能力矩阵。团队工作方向包括但不限于：①构建科学有效的评测方案，为现阶段大模型提供有效的评测和分析手段，并面向未来模型储备评测技术，包括人机协同评测、产品化隐式评测方案、全模态交互式评测方案等；②结合训练和评测，对模型的能力进行建模及深入的理解和研究，包括能力体系构建、训练阶段分析、模型能力/问题溯源等；③探索模型能力边界，发现当前模型训练范式的局限性，寻求模型能力突破。本岗位涉及的方向包括：
1. Agent评测构建与方案探索，包括但不限于：通用模型的Agent能力评测与探索，Computer Use、Code Agent、通用搜索等产品级Agent的评测方案和分析。
2. 长周期人机协作与Agent能力边界探索，包括但不限于：Agent的异步交互、适时思考、记忆管理、自主学习等能力的评测方案及实践探索。
1.参与在线地图研发工作，包括物理元素（车道线、道路边缘、停止线、路面标识、人行道、交通标识牌、停车位等）和逻辑元素（车道中心线、交通标识牌车道绑定等）。
2.负责并研发规则算法（矢量化方法、时空关联跟踪融合方法），同时能够兼顾Learning based模型和多图源融合方法的研发。
【课题说明】面向 C 端用户的酒旅专业 AI Agent 项目，旨在构建具备需求理解、行程规划、商品推荐与专业问答能力的酒旅智能 Agent，为用户在行前、行中与行后关键决策环节提供可靠的智能支持。该 Agent 面向复杂出游需求与多约束决策场景，打通“咨询—规划—推荐—交易”的一体化酒旅服务链路，提升用户决策效率与酒旅服务转化能力，形成行业领先的智能出游入口。【建议研究方向】1. 酒旅专业 Agent 技术架构设计围绕酒旅场景的复杂任务拆解，构建覆盖需求理解、行程规划、商品推荐与酒旅咨询的专业子 Agent 体系，研究多 Agent 之间的协作机制与任务分工策略，支持用户多轮对话下的动态需求调整与规划演化。
2. 酒旅 Agent 自动化评测体系研究从酒旅专业性与用户体验两个维度，构建多维度评测 Benchmark，覆盖需求理解准确性、规划合理性、推荐匹配度与对话稳定性等核心能力；探索基于规则与模型裁判的 Auto-Eval 方法，提升 Agent 能力评测的效率与一致性。
3. 酒旅 Agent 模型后训练与数据构建探索酒旅领域的合成数据构建方案，快速积累高质量训练数据；结合 SFT、偏好对齐与强化学习等方法，持续提升模型在复杂规划、推荐决策与工具调用等关键任务上的效果与泛化能力。
【课题说明】外卖配送已经成为极大便利当代人生活的新基建，配送时间是精准匹配用户需求和履约能力的关键系统决策变量。传统的时间建模主要依赖“时空特征+深度回归”，虽能拟合历史规律，但在处理复杂因果关系、长尾小样本场景及系统级序贯优化时仍存在瓶颈。本项目旨在利用生成式大模型（LLM）的常识推理、多步规划与强大的表征性质，重构新一代时空决策框架。我们试图打破传统判别式模型的上限，通过“LLM + Decision Science”的深度融合，定义即时配送领域的技术新边界，为客户带来更好的服务体验。【建议研究方向】1. 知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图数据的新一代时空表征架构。探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度2. 多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合。在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理模型，实现有限资源下的用户需求与履约供给的最优匹配决策。
3. 基于 LLM-Agent 的系统级序贯规划：将配送时间决策建模为动态流水线中的时延分配（Deadline Assignment）问题。研究如何利用LLM 与强化学习（RL）构建具备自我演进能力的决策 Agent，在海量动态订单流中执行跨时段、跨区域的复杂规划，通过序贯决策寻找系统最佳承载量的最优解。我们将提供海量的真实业务场景数据、充足的计算资源、极高的探索自由度和1对1专家指导，目标是产出既有创新深度又能创造业务价值的新一代智能决策技术范式。
【课题说明】基于承接全球最大规模外卖业务的即时配送系统进行最前沿的端到端调度决策研究，业务影响力与研究深度并重。可以接触最前沿的调度决策体系，服务于百万级骑手、千万级订单，快速拓宽技术、业务视野。团队氛围好、研究实力强，已发表多篇顶会论文，团队工作入选2023年Franz Edelman奖，在行业内具有卓越水平。【建议研究方向】1.调度大规模实时OR+ML研究：针对调度系统内多样的调度决策行为进行分析，包括但不限于过滤、压单、指派、推荐、改派等，尝试基于深度学习、强化学习等方法对已有的调度决策行为进行端到端建模，提升调度效果。
2.时空大模型在骑手行为方向研究：基于SOTA的时空大模型研究，探索针对调度系统分城市、分业务、分时段的差异化特点，基于每天百亿量级骑手路径和行为数据，探索统一的模型预测、决策能力，提升调度决策系统在不同场景下的适配能力。
3. 基于长周期收益的多对一匹配问题研究：基于订单结构挖掘与优质骑手行为学习，实现多对一订单-骑手匹配问题的分布式实时（秒级）求解，同时合理刻画订单匹配长周期收益，实现调度匹配序贯决策时空全局优化，将日益增长的订单密度，在性能约束下极大程度兑现为骑手效率增益。
【课题说明】 探索本地生活服务场景下的AI原生应用优化，包括Agentic RL相关前沿领域与业务的结合，拥有独特的垂直领域高质量数据（本地生活场景），获得在业内最前沿的大模型认知和技术积累，既能做前沿 Research，也有直接的落地场景。【研究方向】1. 探索模型通过 RL Scaling 等方式使用成套工具解决复杂问题的行动和规划能力，包括 Human in the Loop 多轮交互下 Agent 基础建模的新方案、以及与复杂环境的交互学习能力。
2. 探索模型在 Non-Rule Based Outcome 场景下利用复杂信息进行有效 Reasoning 推理的范式，包括 Proactive Agent 的建模方案 。
3. 探索研究更多内在奖励的机制，从而激发模型主动学习和自我更新的能力。
4. 探索构建长期记忆机制，为下一代高效的推理模型、长序列推理及建模提供基础。