薪酬概览
平均月薪
¥32500
中位数 ¥0 ｜ 区间 ¥26000 - ¥39000
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 15-30k
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
8月新增岗位
2
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 | 1 | 100% |
热招职位
1. 27届硕士及其以上学历。
2. 了解大模型基本知识和体系。
3. 具备较强的代码实现能力。
4. 有大模型训练经验者优先。
5. 工作态度认真负责。
加分：有多模态推理、工具调用、RLHF/RLAIF
关注前沿模型和 Agent 框架，动手能力强
1、较强的算法实现能力,熟悉深度学习平台如tensorflow,pytorch等;
2、对前沿的模型相关研究掌握清楚,熟悉Diffusion,Transformer,DiT等生成模型框架;
3、有大模型(视频,3D/4D,多模态)训练实战经验;
4、具有应用大规模神经网络解决相关实际问题的实践经验,能够针对适当的数据和模型的表现,选择恰当的调参、训练任务选择、训练数据增强、目标函数变化等策略来确保超大型模型的训练成功率,并且能够解释策略背后的直觉来源并用严格的数据验证自己的假设。
工作方向包括但不限于：智能驾驶、新能源、雷达、大数据、整车控制、机器视觉、图像、FPGA、SLAM、感知融合、决策规划：
1.协助算法工程师进行算法调试、标定、文档编写、测试环境搭建等工作；
2.负责人工智能方案在智能车领域的落地应用；
3.负责AI算法/神经网络等在嵌入式系统上的优化和部署；
4.参与运动控制或过程控制方向、原型设备开发与调试、信号处理、运筹与优化相关的算法设计、开发及验证工作。
大模型Code/Agent后训练算法研究员-(深圳)or(北京)or
1.负责Code和Agent相关数据构建与治理，构建高质量、多样化的Code/Agent训练数据集，搭建数据迭代闭环，通过数据飞轮持续优化数据质量；
2.负责Agent运行环境与训练环境的构建与优化，构建高可用、可扩展的Agent仿真环境，保障Agent训练、测试及落地的稳定性与高效性；
3.负责Agentic RL在Code/Agent场景的训练，参与Agentic RL Infra建设及优化、Agentic RL 算法优化，持续提升Agentic RL训练的效率和稳定性。
1.负责复杂系统的数学建模与智能优化算法研发，通过 Python/Matlab 完成参数化模型代码开发，研究系统机理与量化实现方法；
2. 基于代码集成敏感性分析、多目标优化等算法，代码化落地仿真驱动的自动化设计优化闭环；
3. 参与模型库体系建设，制定模型描述规范、代码接口标准，实现模型代码可复用、可扩展；
4. 对接求解器开发团队，通过程序批量校验模型精度与算法性能，推动算法在业务场景中的落地应用。
1. 根据产品需求进行算法设计和优化。
2. 负责组织算法在产品上的应用落地。
3. 参与语音领域前沿技术的分析和研究工作。
4. 分析解决实际业务问题，指导业务决策。
1.负责语音相关技术研究(语音增强、唤醒、声纹、VAD、语音识别等)，包括声学模型、语言模型的数据准备、模型训练和解码器优化；
2.主导工程开发，包括模型服务化，海量语音数据处理，模型网络结构优化以及工程优化；
3.跟进业界最新技术，并运用于实际产品。
：
1.负责城区、高速辅助驾驶系统环境模型构建相关算法开发及工程化落地
2.构建一段式方案自动驾驶环境认知能力以及环境模型的研发
3.根据感知静态要素、sdmap，构建道路模型，结合导航、感知动态障碍物等，为决策规划提供准确、安全的行驶环境；包括逻辑要素构建、道路拓扑、车道参考线、静态要素关联等
4.根据上游给的红绿灯通行性，进行红绿灯决策算法设计，优化路口红绿灯问题。
5.参与工程化项目开发，分析泛化问题，并设计优化和解决方案
负责语音合成（TTS）核心算法的研发、性能优化与落地实现，推动TTS技术在实际产品中的应用；
结合业务规划，跟进学术界、行业最新的研究趋势，将预研成果落地于实际产品，并主导相关技术方案的制定和实施；
负责TTS相关技术难题的攻关，提升合成语音的自然度、表现力和鲁棒性；
指导和带领初级工程师，提升团队整体技术水平。
1.负责语音合成（TTS）的算法研发、性能优化与落地实现；
2.结合业务规划，跟进学术界、行业最新的研究趋势，将预研成果落地于实际产品。
设计、开发和维护 TTS 前端 Text Normalization / Inverse Text Normalization 模块，确保高准确率的文本预处理。
利用 NeMo text-processing 框架进行规则引擎开发及模型训练，覆盖数字、时间、货币、度量单位等多种文本形态的规范化处理。
根据不同语言的书写与发音特点，制定多语言TN规则及数据处理Pipeline。