北京深度学习工程师
深度学习工程师是指那些在人工智能和机器学习领域专注于深度学习算法的专业人士。他们负责设计、开发和优化深度学习模型和算法，利用大量的数据来训练这些模型，以解决各种复杂的问题。深度学习工程师需要对机器学习、神经网络、各种深度学习框架和算法有深入的理解，并具备扎实的编程技能，比如Python、C++等。他们通常会与数据科学家、软件工程师和业务团队合作，以应用深度学习技术来开发新的产品和解决现实世界的挑战。这个职位要求对新兴技术保持敏感，不断学习和改进深度学习模型，以满足不断变化的需求。
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。
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
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。
1.参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；