薪酬概览
平均月薪
¥13400
中位数 ¥12500 ｜ 区间 ¥9900 - ¥17000
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
71.4% 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
6月新增岗位
5
对比上月：岗位减少0
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 | 5 | 100% |
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
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.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、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：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。
核心职责：
混合控制框架设计与实现：
主导设计MPC-RL/IL 混合控制框架，将基于物理模型的控制（如 MPC）与基于学习的策略（如深度神经网络）进行高效协同。
专注于利用 MPC 处理实时、高频、平衡保持等核心任务，利用学习策略处理步态生成、高层决策和环境适应。
高性能传统控制（MPC）：
负责模型预测控制 (MPC) 算法的研发、数值求解器优化和实时部署，确保在双足机器人系统中的动态稳定性和能效。
构建和维护高精度双足机器人动力学模型（如 LIPM, SRB, 全身动力学模型），作为 MPC 和学习算法的基础。
基于学习的控制策略（IL/RL）：
实施和优化模仿学习 (Imitation Learning) 算法，从人类或高性能控制器数据中学习鲁棒且自然的步态和运动轨迹。
探索和应用深度强化学习 (DRL) 算法（如 PPO, SAC 等），用于崎岖地形适应、动态抗扰和高动态运动能力的策略学习。
工程实现与硬件验证：
在实时控制环境中实现所有算法，并保证代码的可靠性、高效性和低延迟。
负责Sim-to-Real 流程的优化，包括域随机化 (Domain Randomization) 和硬件在环 (HIL) 测试，确保策略成功部署到物理机器人上。
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。
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；
1. 负责双臂机器人运动规划核心算法的研发与落地，包括但不限于：逆运动学求解、运动规划与双臂协同等；
2. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
3. 研究并开发遥操作系统，实现操作者对机器人的高精度、低延迟控制，探索力反馈、视觉引导等多模态遥操作方案；
4. 开发基于多传感器融合（视觉、激光雷达等）的环境感知与动态避障模块，提升机器人在非结构化环境中的自主作业能力；
5. 结合人工智能前沿技术，探索运动规划的智能化方向，如基于学习的运动策略生成、自适应抓取规划等，并搭建原理样机验证可行性；
6. 直接参与机器人系统的整体方案设计、技术架构制定与研发路线评审；