薪酬概览
平均月薪
¥9100
中位数 ¥9500 ｜ 区间 ¥7200 - ¥11100
数据来源：谈职全网11份招聘数据；更新时间：2026年7月13日
月薪分布
72.7% 人群薪酬落在 8-15k
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
22
对比上月：岗位新增9
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 | 9.5% |
| 不限经验 | 19 | 90.5% |
热招职位
1.全局保证智能驾驶和泊车产品测试交付的质量和效率,负责智能能驾驶和泊车产品的测试方案和测试架构;
2.主导规划、设计、开发和维护测试工具或平台,包含台架测试、自动化测试、模拟仿真测试等,提升测试效率;
3.评审其他成员的测试方案、测试用例和测试报告等,确保研发测试结果的可靠性与一致性,确保产品质量;
4.能够识别产品、开发、测试中的问题、风险点,给出解决方案、风险预警和预防措施,推动测试、开发、产品团队共同改进;
5.了解智能驾驶业内技术趋势,具有很好的前瞻性,结合公司具体情况,引入和推广适合公司需要的新技术,确保团队朝着正确的技术方向持续前进。
负责自动驾驶应用软件开发和维护；
参与智驾功能系统集成，包括行车、泊车、遥控泊车等；
参与实车调试，保证自动驾驶功能在车端高质量落地；
持续识别量产中的痛点，驱动技术方案和工程实践的持续优化，追求极致的工程效率和产品质量；
1. 负责头部跟踪、人体3D重建、3D关键点检测、场景重建等核心算法的设计、实现和优化，提升模型在开放场景下的鲁棒性和精度。
2. 研发高效的场景交互分割/理解模型，推动具身智能场景下多模态感知与环境交互理解能力的提升。
3. 负责相关模型的训练、调优与评估，并集成相应模型到数据平台，支持自动标注与高效质检，赋能大规模数据生产。
4. 建设原始数据自动清洗、自动标注、以及多样性分析等数据管线，确保输出符合模型训练标准的高质量数据集；
5. 负责将AI工具与方法应用于算法研发全流程，提升开发效率与解决方案的智能化水平；
1.参与机器人仿真平台研发，支持无人机接驳、自动化换电、仓储打包、末端配送等美团业务场景的仿真；
2.参与结构模型、动力学模型、传感器模型、接触物理模型开发及优化；
3.开展机器人及具身数据采集设备整机和关键部组件的仿真、选型评估、构型优化仿真、人机工学仿真；
4.参与具备物理属性的仿真数据合成、场景随机化、real2sim优化，提升仿真数据的多样性和物理保真度，生成用于机器人策略训练的大规模合成数据集；
5.跟踪并学习具身智能、仿真数据合成、物理AI等领域的前沿技术，推动创新方法在团队落地应用；
6.主动探索并运用各类AI工具优化日常工作流程，积极推动AI在业务场景中的落地实践，持续提升个人及团队的工作效率与产出质量。
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。
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
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、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；
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；