北京人工智能工程师
人工智能工程师是负责开发和部署人工智能算法和模型的专业人士。他们利用机器学习、深度学习、自然语言处理和其他人工智能技术，设计和构建智能系统和应用程序，以解决现实世界的问题。人工智能工程师需要具备扎实的数学基础和编程技能，能够使用各种编程语言如Python、Java、C++等进行开发。他们还需深入了解数据处理、算法优化和模型调优等技术，以及对机器学习框架和工具的熟练运用。此外，人工智能工程师还需要与跨部门的团队合作，包括数据科学家、软件工程师和业务部门，共同完成项目的开发和部署。这个职位需要对新兴技术保持敏感，不断学习和探索最新的人工智能前沿技术。
薪酬概览
平均月薪
¥24600
中位数 ¥24000 ｜ 区间 ¥18700 - ¥30400
数据来源：谈职全网62份招聘数据；更新时间：2026年7月13日
月薪分布
62.9% 人群薪酬落在 15-30k
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
44
对比上月：岗位减少45
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 | 27.5% |
| 1-3年 | 2 | 5% |
| 3-5年 | 5 | 12.5% |
| 5-10年 | 20 | 50% |
| 不限经验 | 2 | 5% |
热招职位
本岗位覆盖以下主要技术方向：
1.方向一：文本/多模态预训练• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向2.方向二：强化学习框架• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障3.方向三：异构算力适配• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践• 面向RL采样场景，深入优化NPU架构的推理性能• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案4.方向四：高性能内核• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）
1.负责企业内部财务信息系统的AI功能设计与落地，实现AI大模型应用及智能体开发应用。
2.主导AI技术与企业内部系统的集成对接，完成AI模块的开发、调试、部署及优化。
3.参与AI应用架构设计（设计、集成）与开发，包括提示词工程、RAG（检索增强生成）、Agent、模型推理优化、服务化封装与API化输出。
4.负责数据清洗、标注、特征工程、数据集构建与质量管控，负责机器学习、深度学习等相关算法的研究、应用、训练、调优与实现。
5.深入理解业务需求，参与AI项目设计与开发，将算法模型应用于实际场景。
6.探索AI能力在财务数字化场景的落地应用，包括智能审核、智能识别、智能分析、智能报告、智能风险预警等。
1、探索可用于自动驾驶/机器人场景VLA的、有3D感知能力和物理世界常识VLM基座技术
2、通过重写、扩充和生成等方法合成大规模、高质量的数据；如指令调优、偏好对齐、模型优化以提高LLM在各个阶段（预训练、SFT、RLHF）的能力
3、开展大模型算法研究，包括但不限于：多模态LLM/VLM的预训练/监督微调/强化后训练、LoRA/P-Tuning等高效微调，模型量化、分布式部署算法，实现大模型算法研究与应用
4、探索可用于自动驾驶/机器人等业务场景世界模型的前沿4D重建与生成模型技术
5、进行基于VLA/世界模型/闭环强化学习的自动驾驶下一代算法方案研发
6、进行机器人场景VLA/世界模型/闭环强化学习的模型技术研发
7、进行通用的大模型/自动驾驶/机器人等场景模型训练及推理优化的技术研发和积累，包含形成工具链和文档化的训推优化方法论;持续跟进瓶颈分析、网络优化、文件IO优化、计算图优化、算子优化、DP/TP/PP/EP前沿训推优化技术，探索创新的结合自建AI超算集群的训推优化技术
1.负责大模型推理引擎的研发和优化，包括推理系统优化、模型量化压缩和模型部署；
2.负责开发和维护基于大规模数据的推理引擎；
3.参与解决推理过程中的技术难题，提升推理算法的性能和效果；
4.开展相关领域的技术研究，提出创新性的解决方案。
1. 负责食杂零售搜推算法策略迭代，优化用户搜推体验，提升点击率、转化率等核心指标2. 应用先进技术手段，优化意图理解、召回、搜索相关性、排序、流量调控等算法模块效果，显著提升用户体验和转化效率3. 紧跟业界大模型、agent 前沿进展，积极学习新的模型结构和 agent 认知，探索在食杂业务落地的可能性4. 与其他团队密切合作，实现高质量的产品和解决方案。
PNC组介绍：在自动驾驶系统中，决策规划与控制可以类比为人类的大脑与神经。确保“大脑与神经”正确高效地“思考”和安全舒适地“执行”，是一个优秀的规划与控制组的职责所在。规划控制团队分为决策团队、规划团队和控制团队。决策规划部门的主要目的是在复杂的无人驾驶环境中找到安全的行驶方案，例如通过人类驾驶的数据分析何时进行变道，对前方车辆是跟随还是绕行。决策规划部分还要从路上的真实数据中学习人类驾驶的共识，比如道路拥堵时到底什么时候能变道，后车要怎么表达出它是否让行，进而思考如何把这种共识应用到具体算法中。此外，决策规划要能将不同的未来收敛到当选确定的行为中。控制部分则是负责将上述的行为严格地执行到车辆上。
工作职责：
· 负责自动驾驶车辆控制算法的开发、实现和测试工作；
· 与其他开发人员完成系统集成和调试工作。岗位需求：
· 本科以上学历，理工科相关专业· 熟悉车辆的横纵向动力学模型，了解现代汽车底盘及其基本工作原理
· 熟悉PID,MPC,LQR等经典控制算法· 有扎实的编程基础，有c/c++经验
· 有自动驾驶相关经验或在Tier 1做车辆控制开发经历优先
1、负责光学防抖（OIS, Optical Image Stabilization）系统的方案设计、仿真、实现和验证工作；
2、参与OIS系统中感度标定、陀螺仪数据处理、位姿估计、运动补偿等核心算法的研发和调试；
3、参与OIS系统在实际产品中的落地开发和验证，解决量产过程中出现的效果问题，保证图像稳定性和成像质量；
4、参与跨部门协作，与硬件团队、光学团队紧密合作，完成算法在实际系统中的验证与优化；
5、持续跟踪前沿技术，探索OIS领域的创新方向，提升算法性能。
1. 参与云台位姿解算算法和路径优化算法的开发与优化，协助提升稳像精度和复杂运动场景下的画面稳定性；
2. 协助设计云台电机控制算法，参与位置环、速度环、电流环的级联控制实现，优化动态响应与稳态精度；
3. 支持控制参数的调试与验证，使用MATLAB/Simulink搭建仿真模型，辅助算法效果的快速迭代；
4. 参与云台控制产线标定方案的实施，协助优化IMU、电机、图像传感器等多传感器的标定流程；
5. 学习并跟踪自适应控制、非线性控制等前沿技术，支持算法在实际场景中的工程化落地。
1. 高精地图静态元素和车道拓扑算法的研发和工程落地，包括但不限于点云/图像的检测/分割、多模态融合、BEV、Generative Models等；
2. 建立高精地图的数据闭环系统，基于数据挖掘机制以及困难样本分析等工具链，持续迭代模型能力；
3. 调研自动驾驶或机器人领域前沿算法，将相关技术应用于高精地图的自动化构建，提升在open-set场景地图的冷启动/泛化能力；
4. 跟踪并解决下游用户反馈的相关问题；
【课题说明】广告系统一般采用“召回->粗排->精排->出价->拍卖”的多级漏斗架构，但各模块独立优化导致优化目标不一致，前链路会制约后链路上限，漏斗效率折损大。近年来，随着大模型和生成式技术的快速发展，其强大的表征能力和良好的Scaling性质也为广告系统提供了新的可能性。本研究旨在探索如何利用生成式技术重塑整个广告系统，通过一个端到端的生成式广告大模型完成所有决策，打破多级漏斗框架，打开模型决策空间，最大化平台收益。餐饮广告算法团队启动下一代LLM 广告系统(one model)的探索，行业资深人才需求迫切。【建议研究方向】1.领域LLM 构建：基于sota 基座模型，系统性整合美团用商双端数据，通过PT、SFT、RLHF等方式构建适配外卖/到餐领域的垂直领域LLM，快速支持商业广告系统多大模型应用落地；
2.基于强化学习+领域LLM 的通用相关性解决方案：基于领域LLM，结合GRPO等强化学习技术，多agent 技术 探索相关性问题上限。
【北斗实习】广告大模型应用算法工程师-【广告one model】
【课题说明】广告系统一般采用“召回->粗排->精排->出价->拍卖”的多级漏斗架构，但各模块独立优化导致优化目标不一致，前链路会制约后链路上限，漏斗效率折损大。近年来，随着大模型和生成式技术的快速发展，其强大的表征能力和良好的Scaling性质也为广告系统提供了新的可能性。本研究旨在探索如何利用生成式技术重塑整个广告系统，通过一个端到端的生成式广告大模型完成所有决策，打破多级漏斗框架，打开模型决策空间，最大化平台收益。餐饮广告算法团队启动下一代LLM 广告系统(one model)的探索，行业资深人才需求迫切。【建议研究方向】1.生成式广告大模型架构设计：基于前沿大模型（如时空Transformer、MLA、MoE等），设计适配广告场景的生成式决策框架，支持根据“用户行为、实时位置、商户出价”端到端生成最优的广告商家、展示创意、相应计费。
2.多阶段的训练范式设计：借鉴LLM的分阶段训练技术（如PT、SFT、RLHF等），设计“基于海量交互的 pre-training 和 基于业务目标的 post-training ”的分阶段训练范式，提升广告大模型效果。
3.广告大模型的Scaling规律探索：探索广告场景下，生成式大模型“算力->效果”的转化规律，驱动推广搜迭代范式实现由“人工设计迭代”到“算力堆叠迭代”的跃迁。
1.面向AI应用场景的大模型微调，优化PostTraining (SFT/RM/RL) 算法的训练效率和实际用户体验效果；
2.研究各领域高质量数据的自动化合成方法，建设高效的线上数据飞轮链路；
3.配合产品和工程，探索LLM在创作、教育、金融、代码等场景下的创新应用。
1、本科及以上学历
2、熟悉计算机视觉核心算法（目标检测、图像分类、分割、图像增强等），精通多模态融合技术（文本-图像/视频-图像匹配、跨模态检索等），有CLIP、LLaVA、InternVL等主流多模态模型实战经验者优先。
3、具备扎实的C++编程功底，熟悉Linux环境下的算法开发，掌握数据结构、多线程、并行计算等相关知识，有丰富的算法工程化落地经验，能独立完成算法的C++实现与优化。
4、精通模型量化、剪枝、知识蒸馏等轻量化技术，熟悉至少一种推理引擎（TensorRT、ONNX Runtime、NCNN、TVM等），具备模型在云端/边缘端部署、性能调优的实战经验，能独立解决部署过程中的技术问题。
5、具备较强的问题分析、攻坚能力与自我驱动能力，逻辑思维清晰，，能快速跟进业界前沿技术并落地应用。
6、具备良好的团队协作与跨部门沟通能力，责任心强，有规范的代码编写习惯，能承受一定的业务压力，有相关算法竞赛获奖或顶会论文发表者优先。
7、加分项：有车载芯片、嵌入式SOC平台部署经验，或大模型端侧优化、工业场景多模态落地经验者优先。