薪酬概览
平均月薪
¥27500
中位数 ¥0 ｜ 区间 ¥19700 - ¥35200
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
57.1% 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
7月新增岗位
5
对比上月：岗位新增4
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 | 1 | 25% |
| 1-3年 | 2 | 50% |
| 5-10年 | 1 | 25% |
热招职位
【北斗实习】广告大模型应用算法工程师-【生成式广告混排系统】
【课题说明】本研究旨在探索广告系统在生成式架构下的新一代混排系统，在服务零售场景下研究“出价-拍卖-计费”等业务模块深度融合。本研究将重点攻关如何将传统链路中的精排与机制决策整合为统一的端到端奖励模型，以消除漏斗折损，并为最终实现LLM驱动的智能混排奠定关键的模型与策略基础。【建议研究方向】1.一体化建模：研究如何将广告多目标、出价信号及拍卖机制统一建模至一个混排模型。
2.训练与优化：设计融合博弈与机制设计理论的训练范式，优化长期商业生态目标。
3.系统协同：探索该模型与生成式召回模块的高效协同架构，并构建仿真环境进行机制验证。
1、构建适配业务场景的支付反欺诈策略体系，主要覆盖电诈、盗用等核心风险，建立策略效果评估体系与日常监控流程，探索并落地大模型能力在特征工程、欺诈防控和自动化判断中的应用，以及搭建事后用户服务的运营机制与自动化审理能力。
2、识别支付产品流程中的潜在欺诈风险点，针对流程、系统及策略层面薄弱环节提供优化建议，推动 AI 技术在风险感知和实时决策中的规模化落地。
3、推动「人 + AI」协同工作模式的建设，设计并优化 AI Copilot 辅助策略分析、报告生成、欺诈风险排查等流程，持续提升团队整体效率。配合完成系统需求梳理，参与反欺诈决策引擎和人工调查、申诉系统的建设，推动决策链路的 AI 化改造。
1、负责用户增长算法技术路线规划，主导拉新、促活、复购、留存全链路算法研发；
2、推动搭建增长算法平台，建设触达、召回、让利、转化承接等关键漏斗能力；基于用户生命周期（引入期→成长期→成熟期→衰退期），设计分层运营策略，提升转化率和用户留存。
3、驱动数据化增长运营，建立用户增长观测分析体系，定位增长瓶颈，输出可落地的策略优化方案。
任职要求：
1、本科及以上，计算机/统计学专业，3-5年用户增长算法经验。
2、精通增长漏斗算法：触达、召回、让利、转化承接；掌握因果推断及机器学习算法。
3、能通过漏斗拆解及归因分析定位增长瓶颈；深度理解用户生命周期运营逻辑，设计可量化的增长策略。
关于我们人工智能模型的表现很大程度上依赖于高质量的训练数据。文远知行的数据团队拥有专业的数据标注团队和系统，我们的算法团队致力于通过先进的模型和算法通过自动和半自动标注提高标注效率和质量。
职位描述：构建自动驾驶4d labeling系统和算法，开发多传感器或纯视觉的动静态对象自动标注算法；
职位要求：
熟练掌握Python，熟悉Pytorch、transformers等常用工具，具备常用数据结构及算法的扎实基础；扎实的Python/C++开发能力，具备良好的编程习惯；满足以下条件之一：精通多视几何、计算机视觉、机器人等基础知识，具有VIO/SLAM/SFM/3D视觉等算法开发和系统实现经验；熟练使用OpenCV、Eigen、G2O、Ceres、Colmap等库；熟悉深度学习在位姿、重建、地图等方面的算法和应用，熟悉Nerf、Gaussian Splatting等算法和应用；了解前沿4d labeling方法。加分项：具有自动驾驶研发经验；在顶级会议上发表过文章。
1. 大规模 3D/4D 数据生产全链路建设：负责面向 3D&4D 基础模型训练的数据生产链路，打通"数据→训练→评测→反馈→再数据"的体系。
2. 学术跟踪：持续跟进仿真、生成、重建、多模态合成等前沿技术论文，持续迭代数据闭环算法
3. 数据挖掘：基于模型表现与反馈，自动或半自动挖掘长尾场景、失败样本与高价值数据；针对关键能力短板制定数据补充与增强策略，输出数据看板与分析报告。
4. 数据-模型协同：紧密配合算法团队完成数据采集、评测基准构建，量化数据规模、多样性与标注质量对下游任务效果的影响。
1、探索Diffusion/Flow Matching等主流生成范式在大规模场景+动态场景重建中的应用与改进。
2、研究多种条件控制方式下的视频生成方案，提升生成内容的几何一致性、时序连贯性，并适应目标美学偏好。
3、以视频生成能力+3D/4D重建能力为基础，研究并构建面向真实场景的世界模型，探索任意场景的可控生成及未来帧预测的能力。
4、参与模型开发的所有阶段，包括数据整理、实验、评估和部署。
基于用户决策快照的广告预估基座模型 【课题说明】打造以用户决策过程为核心的下一代广告预估基座模型。课题目标是在美团全域业务（外卖 / 到店 / 酒旅 / 团购等）中，构建一个用于预估任务的「用户决策大模型」，通过拟合用户历史决策时刻的全部上下文信息，学习用户偏好，预测用户下一个时刻的曝光 → 点击 → 浏览 → 加购 → 下单 → 到店 → 评论的全链路多状态、多路径概率。【建议研究方向】
1.多模态决策场景重建：构建「全域行为快照生成器」，将用户的行为序列，转换为用户每一次决策时刻的多模态、高信息密度的「决策快照」。
2.用户决策基座模型：依托「全域行为快照」，预训练一个统一的用户决策基座模型，在给定任意「场景 prompt + 候选 item/店铺」时，能输出用户下一步行为的多任务、多状态概率。
3.决策策略对齐：探索该模型在各个场景上进行轻量微调与部署的方案，实现场景级定制。
关于我们人工智能模型的表现很大程度上依赖于高质量的训练数据。文远知行的数据团队拥有专业的数据标注团队和系统，我们的算法团队致力于通过先进的模型和算法通过自动和半自动标注提高标注效率和质量。
职位描述：
构建新一代大规模和高质量的视觉任务数据集；
研究视觉大模型关键技术，包括但不限于数据筛选、数据合成、模型训练、评测方法等。
职位要求：
扎实的Python/C++开发能力，具备良好的编程习惯；熟练掌握Python，熟悉Pytorch、transformers等常用工具，具备常用数据结构及算法的扎实基础；熟悉视觉感知或大语言模型（LLM）技术，了解前沿视觉大语言模型技术；加分项：具有自动驾驶感知算法研发经验；在顶级会议上发表过文章。
1、三维导航系统开发：基于激光/视觉SLAM实现动态场景重建，开发多目标路径规划算法，设计运动学控制接口适配UR/Unitree等机器人平台；
2、多模态模型工程化：优化视觉语言模型在导航任务中的推理效率，实现多传感器标定工具链，构建仿真-真机数据闭环系统；
3、导航智能体开发：开发面向导航的任务规划与决策等模块开发，设计知识图谱增强的检索系统，探索多智能体协作策略；
4、技术文档编写：编写软件设计文档、调试报告及相关技术资料。
1、27届-28届毕业同学，计算机/人工智能/机器人等相关专业，硕博优先；
2、扎实的深度学习基础，熟悉Transformer、ViT、LLaMA等主流架构，具备多模态模型训练经验；
3、熟练掌握PyTorch，有大规模模型训练与调优的实战经验；
4、有RT-2、OpenVLA、PaLM-E等VLA模型研究或复现经验，或参与过端到端自动驾驶项目（如UniAD、VAD、FusionAD）优先；
5、熟悉GPT-4V、LLaVA、Qwen-VL等视觉语言模型，有指令微调、RLHF经验者优先；
6、有自驾Planning经验，熟悉基于学习或优化的规划方法（模仿学习、模型预测控制、图搜索），有实车或仿真验证经验者优先。
1、负责面向自动驾驶应用的视觉、毫米波雷达、激光雷达等数据预处理和感知算法开发；
2、负责多传感器数据融合，实现目标检测、多目标跟踪、环境建模、目标识别、预测等复杂感知功能；
3、负责多传感器标定算法研发；
4、参与相关智能驾驶功能和场景测试，针对CornerCase进行算法迭代和优化。
负责研发和优化视频生成相关算法，包括基于深度学习的图像到视频、文本到视频等模型。
探索最新的生成模型技术（如Diffusion Models、GAN、Transformer等）并结合业务需求进行创新。
设计视频生成的整体技术架构，保证模型训练、推理和部署的高效性与稳定性。
协同前端、后端工程团队完成视频生成系统的产品化落地。
分析视频生成效果，持续优化模型质量、生成速度和用户体验。
