北京机器学习工程师
机器学习工程师是一种统计学和计算机科学相结合的职业，通常涉及利用大数据来训练机器学习模型，以解决复杂的问题和自动执行任务。机器学习工程师需要深入了解算法、统计学和编程，以及数据处理和数据可视化技术。他们负责收集、整理和分析数据，选择最适合问题的机器学习算法，并通过学习和优化来训练模型。此外，他们还要设计、实施和部署机器学习系统，并进行性能调优和持续改进。机器学习工程师通常在科技公司、金融机构、医疗健康领域或其他行业的研究与开发部门工作，为企业提供智能决策和预测分析的解决方案。这个职业需要有很强的数学和编程能力，以及对新技术和创新的敏感度。
薪酬概览
平均月薪
¥37800
中位数 ¥45000 ｜ 区间 ¥29700 - ¥45800
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
66.7% 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
10月新增岗位
8
对比上月：岗位减少11
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 | 2 | 33.3% |
| 1-3年 | 2 | 33.3% |
| 不限经验 | 2 | 33.3% |
热招职位
本岗位聚焦于多模态大模型的数据计算、数据编排方向，包括但不限于以下职责：
1. 开发高性能的分布式数据处理引擎，实现多模态等非结构化数据的高效处理；
2. 深入结合大模型分布式并行机制，设计实现通用、高吞吐、可扩展的数据编排引擎，提升大模型训练效率；
3. 持续跟踪大模型技术，对引擎不断迭代升级以满足大模型技术演进对数据处理的需求。
1.主导万卡级GPU集群的全局资源调度，通过精细化管理和优化策略，显著提升资源利用率，确保离线和在线任务的高效稳定运行；
2.深入优化RDMA高速网络、分布式存储与计算资源的协同调度，有效解决大规模训练任务中的性能瓶颈，提升整体计算效率；
3.基于Kubernetes、Docker等云原生技术，构建高可用调度框架，全面支持分布式训练框架，实现任务编排、容灾与混部能力，并深入K8s调度器、CSI插件及CRD的开发，推动大规模训推技术的实际落地；
4.积极探索混合云、虚拟化、ARM异构计算等前沿方向，不断推动技术与平台能力的升级和创新。
1、策略算法建模与优化：负责无人车货运业务中核心策略模型的建设和持续迭代。运用机器学习、因果推断、大模型等技术，对货运场景中的强不确定性、强价格弹性、强动态性进行建模和优化。具体方向包括：需求预测、留存/转化预测、价格弹性建模等定价/营销优化场景和路径规划与时间预估、履约机会成本预测、供需失衡预测等调度优化场景。
2、预测-决策联合优化：推动预测模型与决策模型的深度耦合，通过端到端优化实现业务订单增长和运营效率提升，直接驱动GMV增长和成本优化。
3、业务洞察与技术探索：深入理解无人车货运业务全链路，洞察业务快速发展过程中的关键瓶颈，与产品、运营、工程团队紧密协作，探索AI驱动的新一代物流策略体系。
4、前沿技术落地：关注并引入大模型（LLM/Foundation Model）、强化学习、因果推断等前沿技术在物流策略优化中的应用，推动技术创新转化为业务价值。
研究方向：
- 大模型训练方法和模型框架优化
- 大模型知识和推理能力研究
- 大模型高性能推理研究
- 领域大模型研究
- 跨模态大模型研究
- 文本生成任务的质量评估办法研究
- 融合外部知识的文本生成研究
职位概述：
作为平头哥数据中心产品线深度学习算法框架高级技术专家，将负责设计、开发和优化深度学习算法框架，提升算法模型在PTG AI芯片上的运行效率和性能。跨团队协作，确保高质量的代码和技术实现，同时为团队提供技术指导。
主要职责：
算法框架适配与开发：
对开源AI软件框架的内部实现有深入理解，能够快速将广大开源软件适配到 AI 芯片上，同时确保性能达到最优。同时根据公司AI芯片的差异化的功能，在框架层面实现软硬件结合的解决方案。
性能优化：
分析和优化深度学习模型的训练和推理性能，提升计算效率和资源利用率。
根据芯片硬件特点使用多种技术手段，包括分布式计算、模型压缩和量化，优化算法在实际应用中的表现。
跨团队协作：
与其他团队（如编译器、驱动、客户支持等）紧密合作，确保技术指标的达成，并实现符合用户需求和市场趋势的功能。
为团队成员提供技术指导和支持，推动团队技能的持续提升。
技术研究与创新：
跟踪深度学习和机器学习领域的最新研究动态，探索并实施新算法和技术。
参与编写技术文档和论文，促进技术的分享与传播。
岗位定位
负责智能驾驶域控端侧应用层软件开发、功能集成、业务逻辑落地、实车调试与量产交付。更具体的，负责端上车-云连接Agent模块开发，建立车-云高可靠、高性能连接，确保高可达性和高性能上、下行传输，是自动驾驶功能落地的核心工程岗位，主打业务逻辑、状态机、跨模块通信、端侧性能优化、量产稳定性。
岗位职责
1. 智驾应用层业务开发：负责高速NOA、城市NOA、自动泊车APA/RPA、循迹倒车、车道保持、主动刹车等辅助驾驶/自动驾驶功能的应用层逻辑开发、状态机管理、工况跳转、权限管理、故障降级策略落地。
2. 跨模块集成与协议对接：对接感知、定位、预测、规划、控制、底盘、车身、座舱HMI、导航、语音模块，完成跨进程/跨域通信、协议解析、数据校验、状态同步、指令下发与反馈，保障端侧全链路稳定运行。
3. 端侧性能与实时性优化：负责域控端侧软件资源管控，优化CPU/GPU/内存占用、线程调度、时延抖动、异常容错，解决卡顿、丢帧、状态跳转异常、偶现失效等量产问题，满足车载毫秒级实时性要求。
4. 台架/实车调试与问题闭环：参与台架联调、场地试车、道路路测，定位并闭环各类工况异常、边界case、偶现bug，输出调试日志、问题复盘与优化方案，支撑版本迭代与OTA升级。
5. 量产工程化与质量管控：遵循车载开发规范（ASPICE/AUTOSAR/ROS2），完成模块设计、编码、单元测试、集成测试、文档沉淀、代码评审，保障软件可量产、可维护、可迭代。
6. 版本迭代与需求落地：承接产品功能需求，拆解技术方案，跟进需求落地、版本合入、回归验证，支撑年度功能迭代与OTA特性上线。
1、全面负责自动驾驶相关研发过程中软件/算法/硬件等各领域开发过程中的项目管理（包括但不限于对成本、质量、资源的管理）；
2、负责联动多部门及角色确认实施方案，收集和明确需求，高效任务拆解，形成版本开发计划，并对执行进度进行控制和管理；
3、负责管理、协调部门内部各领域间和关联部门间的交互和输入输出管理，确定上下游依赖和开发排期，牵头解决跨部门跨领域的重难点问题；
4、不断优化项目管理流程与工具，提高跨部门、跨地域、跨公司项目团队的执行效率；
探索下一代端到端自动驾驶系统的强化学习训练范式，构建高效稳定的大规模强化学习闭环训练框架，提升强化学习的数据效率、训练效率、稳定性、场景泛化性，验证scalling law，推动强化学习算法在物理世界的落地应用。
1.参与端到端智驾模型训练/评测数据生产全链路开发，包括数据生产、数据挖掘、打标、质检等；
2.参与智驾标签体系、meta体系的研发、维护及落地；
3.参与数据全链路相关的基础框架研发，包括挖掘、生产及分析框架等；
1、负责设计开发智能驾驶数据采集系统，数据闭环系统；
2、能够独立分析智能驾驶算法数据采集需求，完成需求方案转换；
3、开发设计传感器数据接入方案；
4、参与应用软件集成实车部署调试，有处理现场问题的综合能力；
1、负责车端智能驾驶的模型推理部署，新增模型接入与新算子支持；
2、负责车端智能驾驶应用软件的软件模块设计和软件开发；
3、负责车端智能驾驶应用软件全流程的量化精度优化和性能优化，为工程部署和算法优化方向提出指导；
4、负责车端智能驾驶算法模型在异构计算平台(GPU/DSP/J6 BSP)的部署和性能优化；
1、负责产品影像解决方案的交付，包括项目计划的制定,进度推进,资源协调等等，确保项目按目标进度质量完成;
2、负责组织影像产品项目各项评审会议，需求排序，项目例会，攻关会议等，推进项目;
3、负责项目所需的资源协调，包括人力、物料、专家、供应商等资源，保障项目进展；
4、制定并推广影像产品项目管理流程规范,确保项目有序推进;
5、及时发现并跟踪解决影像产品项目风险、问题,有效管理项目风险；
6、负责影像产品项目闭环总结，及项目过程资产沉淀。
1.负责元宝业务数据分析，洞察业务机会，发现业务问题，为产品迭代提供决策依据；
2.负责用户增长相关数据科学工作，通过ab实验、因果推断等方法，构建科学严谨的评估体系，对业务收益进行评估，并提出优化建议，推动策略优化带来业务增长；
3.负责元宝业务的指标体系搭建，包括数据链路建设，基础数据维护，数据报表构建；
4.探索统计、机器学习、因果推断等方法论，并推动相关方法在业务落地，产生业务影响力；
5.持续产出行业洞察，跟踪分析竞争对手、行业趋势等，形成商业分析并洞察其中的机会；
6.有大型互联网公司AI产品策略分析，驱动策略迭代效果提升经验的候选人优先。