薪酬概览
平均月薪
¥33500
中位数 ¥37500 ｜ 区间 ¥25000 - ¥42000
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
60% 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
12月新增岗位
32
对比上月：岗位新增26
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 |
|---|---|---|
| 3-5年 | 10 | 50% |
| 不限经验 | 10 | 50% |
热招职位
寻找对计算机底层系统以及 AI Infra 相关技术充满热情的同学
职位概述:
负责 GPU 训练集群的资源管理与调度，保证 GPU 资源的高效使用提升分布式训练任务的稳定性，包括开发鲁棒的训练框架以及方便易用的可视化工具等提升分布式训练任务的训练效率，系统性地解决 IO/通信/运算等方向的性能问题负责对接训练平台在自动驾驶数据流中的上下游，具体包括提升数据预处理的效率，提供用户友好的模型管理工具等
职位要求：
计算机及相关专业的应届毕业生熟悉Python/Golang/C++/C 任一开发语言，并有关相关的项目经验参与过社区开源项目，如 kubernetes/kubeflow/horovod 等加分了解通用 GPU 架构以及业内相关虚拟化方案加分了解高性能网络相关技术，对 RDMA 编程以及相关流控技术有一定的技术储备加分熟练使用 Tensorflow/Pytorch 等训练框架，有 CUDA 编程经验加分
1、负责ADAS、城区/高速NOA场景下的感知算法研发，包含交通灯、标识牌检测等空中要素检测工作；
2、负责核心算法或模型的原创设计以及工程化落地，如模型优化、评测体系化构建、case迭代等；
3、掌握数据挖掘、标注、训练、部署及badcase回归等闭环链路，并伴随业务开展持续优化；
4、掌握通过数据闭环持续迭代模型的能力；
1.负责研发深度学习算法框架和工具，提升业务如自动驾驶等场景的模型研发效率；
2.负责优化框架性能，支持高效的大规模模型训练，提升业务模型的模型迭代效率；
职位描述：
基于深度学习打造不依赖高精度地图的定位和实时地图系统，包括模型设计、训练、部署，车上系统反馈和形成数据闭环设计和构建深度神经网络模型，用于对传感器数据进行特征提取、数据融合和位置估计处理和分析大规模的自动驾驶系统相关的Camera、Lidar、GPS和IMU等各种传感器数据，利用深度学习技术进行特征提取、数据建模和预测分析进行深度学习模型的调优和调参，以提高模型的性能、效率和鲁棒性
任职要求：
熟练掌握C++、Python中至少一种语言，有较好的深度学习功底和工程素养深刻理解深度学习相关知识，有大规模深度学习模型训练部署实践经验者优先熟悉地图定位相关传感器数据处理和融合技术，有自动泊车、地图生产和融合定位等项目经验者优先热爱自动驾驶行业，勇于探索，挑战高精地图领域最前沿的技术问题积极主动，善于发现并解决问题，有良好的沟通能力和团队意识
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。
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。
加入自动驾驶数据平台团队，聚焦模型训练性能优化、训练数据集管理、训练框架工程化，参与大规模自动驾驶 / 大模型训练链路建设，解决真实业务中的 IO 瓶颈、训练加速、数据管理等工程问题。
1.训练性能与链路优化
参与分布式训练调优，优化显存 / 内存占用、通信效率与数据流水线；攻坚数据解码、加载、增强等预处理环节性能，结合 CPU/GPU 异构计算提升整体训练吞吐。
2.大规模训练数据集管理
参与自动驾驶数据集版本管理、质量校验与分发；优化 Lance、WebDataset、LMDB 等数据读取链路，解决分布式训练 I/O 瓶颈，保障海量训练数据高效流转。
3.训练框架维护与自动化建设
协助内部训练框架迭代维护，保障训练稳定性；参与训练流程模块化、自动化改造，配合搭建训练任务 CI/CD、性能度量与数据监控体系。
4.系统问题排查与专项优化
协助定位训练过程 OOM、卡死、通信异常等问题，参与内存、性能 Profiling 等专项优化，提升框架可维护性。
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。
研究方向：半监督、无监督、大规模预训练模型的在ASR领域的应用研究。探索课题包括但不限于：
1、探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）；
2、研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法；
3、尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法。
我们正在寻找一位自动驾驶研发自有车队采集负责人,负责与公司司合规团队合作,规范化整体数据采集和运营流程。
1、您将负责梳理对应端侧和云侧的研发任务,制定研发排期,并并进行宣贯工作。
2、您需要设计采集的标准流程,确保数据上传符合下游预期,包括数据权限限隔离、合规性和高效性。
3、需要能够将该部分的工作快速进行标准化和工具化推动。包括但不限制于控制数居质量,交付速度等方面,并有能力购买或设计对应需求到相应的工具。
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