薪酬概览
平均月薪
¥57300
中位数 ¥45000 ｜ 区间 ¥41700 - ¥72900
数据来源：谈职全网12份招聘数据；更新时间：2026年7月13日
月薪分布
91.7% 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
3月新增岗位
14
对比上月：岗位新增6
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 | 4 | 30.8% |
| >10年 | 9 | 69.2% |
热招职位
1. 负责量化委外平台核心算法研发、设计与落地，搭建AI量化策略、风险控制、收益归因算法体系；
2. 开展因子挖掘、组合优化、算法交易、策略回测与实盘迭代工作，保障算法有效性；
3. 对接业务需求，完成委外场景下的策略评估、管理人画像、风险预警等算法开发；
4. 优化金融数据处理流程，完成特征工程、模型训练与工程化部署；
5. 跟踪量化及AI前沿技术，推动平台算法持续迭代升级。
- 机械、控制、机器人、自动化、计算机、人工智能等相关专业硕士及以上学历，
- 理解机器人运动学、动力学及全身控制基本方法，具备较强的强化学习算法能力，熟悉深度强化学习在机器人控制中的训练、调参、评测与部署流程，能够结合具体问题进行技术选型与系统集成，
- 具备复杂机器人系统从仿真开发到实机部署、调试和迭代优化的完整经验，能够在真实机器人系统上定位和分析控制、传感、执行器、通信或系统集成相关问题，并推动闭环解决，
- 具备较强工程实现能力，熟练使用 C++ / Python，熟悉 PyTorch 等深度学习框架，能使用 legged_gym、Isaac Lab 或 mjlab 等开源训练框架开展训练、验证与部署调试，
- 具备复杂技术项目主导经验，能够独立完成技术方案设计、问题拆解、风险识别和跨团队推进，
- 有作为核心技术负责人、项目负责人或团队负责人推动关键技术攻关落地的经验者优先。
优先考虑
- 有基于强化学习的人形机器人行走（Locomotion）、上下肢协同控制（Loco-Manipulation），全身控制（WBC）相关经验，
- 有 sim-to-real、策略泛化与数据闭环相关经验，
- 有复杂接触场景控制、contact-rich manipulation、任务级动作执行等相关经验，
- 有大规模训练平台、分布式训练、策略部署优化或仿真基础设施建设经验，
- 有机器人控制、强化学习或人形机器人相关领域的高水平论文、开源项目，或在业界知名机器人项目中承担核心角色者优先。
你将获得的机会
- 参与定义机器人通用全身控制能力的核心技术路线，推动强化学习方法在真实机器人系统中的落地与演进，
- 面向产品化与量产场景，持续解决算法在实机部署、联调优化与复杂环境执行中的关键问题，
- 对关键技术方向、系统架构、团队建设和项目推进产生实质影响
作为美团无人车业务部决策规划团队的技术负责人，您将主导自动驾驶大脑的"思考中枢"升级，让无人车在复杂城市环境中具备更安全、更智能、更高效的决策能力。您将直面真实运营场景中的技术挑战，我们寻找的不仅是技术专家，更是能带领团队突破边界、推动技术落地的技术领袖。
1. 主导决策规划算法的技术演进，推动模型结构创新、规划算法优化和交互博弈策略升级，2. 攻坚复杂场景技术难题，提升无人车在密集车流变道、无保护左转等复杂场景下的安全性和通行效率提升3. 负责从数据挖掘、清洗到模型训练、部署的全链路建设。
4. 指导团队成员开展工作，建立技术成长路径，打造高战斗力、高创新力的规控团队5. 跟踪端到端自动驾驶、大模型应用等前沿方向，推动整体算法架构升级。
1.负责 DataBuddy 大模型效果优化体系建设，围绕企业级大数据场景，构建覆盖任务理解、数据问答、工具调用、任务执行、结果可信等环节的评测体系；
2.负责 DataBuddy 数据飞轮建设，持续沉淀用户反馈、交互日志、执行结果、错误案例和高质量样本，形成可用于评测、训练和效果回归的数据资产；
3.负责大模型后训练相关工作，包括 SFT、偏好优化、RL 等方法在 DataBuddy 场景中的应用，持续提升模型在复杂数据任务中的稳定性、准确性和可控性；
4.结合 DataBuddy 产品场景，设计自动化评测、人工评审、Case Benchmark、回归测试等机制，支撑模型版本迭代、能力对比和上线决策；
5.与产品、Runtime 工程、应用开发团队协作，定位模型在真实业务场景中的效果问题，推动从问题发现、样本构造、模型优化到效果验证的闭环改进。
机器人移动操作算法专家（Loco-Manipulation）
- 机械工程、机器人学、计算机科学、人工智能等相关领域硕士及以上学历，具有竞赛获奖经历或顶会/顶刊论文发表经验者优先
- 技术实力雄厚：精通 MPC、WBC 等现代控制理论，在深度强化学习、模仿学习、扩散策略等前沿方向有深入研究，具备计算机视觉交叉背景者尤佳
- 工程能力出众：精通 C++/Python，熟练掌握 PyTorch 框架，精通 Mujoco（含 MJX、MuJoCo_warp）、Isaac Gym、Isaac Sim 等主流仿真平台
- 系统集成经验：具备机器人软硬件协同优化经验，能够端到端解决复杂系统问题
- 团队领导力：3年以上技术团队管理经验，成功带领团队完成高难度技术攻关项目，具备技术愿景制定与执行能力
- 使命驱动：对人形机器人事业充满激情，具备创业者精神，能在技术无人区开拓创新
【携手构建下一代智能机器人】
作为移动操作技术负责人，您将定义人形机器人与物理世界交互的新范式，在具身智能革命中创造历史。
1. 在顶级会议发表过推荐算法相关论文。
2. PyTorch, DeepSpeed, vLLM 等知名开源 AI 框架的活跃贡献者（Contributor/Committer）。
1. 负责语音合成（Text-to-Speech, TTS）模型训练与线上优化。
2. 深入研究并应用深度学习技术，提升合成语音的自然度、表现力和稳定性，支持多音色、多语种、情感语音等高级功能。
3. 参与语音前端处理模块开发，包括文本归一化、分词、音素预测、韵律预测等任务。
4. 与语音识别、语音增强、产品等团队协作，推动TTS技术在实际场景中的落地（如智能助手、有声阅读、导航播报等）。
5. 跟踪学术界和工业界最新进展，持续优化模型性能，降低推理延迟，提升合成效率。
6. 编写高质量的技术文档，参与模型版本管理和工程化部署（如ONNX、TensorRT、Triton等）。
1、计算机、人工智能、自动化等相关专业硕士及以上学历；
2、具备扎实的深度学习基础，熟悉Transformer、BERT、ViT、CLIP等主流视觉-语言模型架构；
3、有大语言模型（LLM）的训练/微调/推理优化经验，熟悉其在下游任务中的应用；
4、熟练使用Pytorch深度学习框架，具备良好的工程能力和代码实现能力；
5、良好的团队协作与沟通能力，具备快速学习和解决问题的能力。
加分项：
1、有参与实际LLM预训练或后训练（SFT、DPO/RLHF）的相关项目经验；
2、有使用大语言模型进行数据合成（Data synthesis）的相关经验；
3、对大语言模型的预训练/后训练数据集有一定了解，有处理Trillion级别数据集的相关经验；
4、熟悉开源大模型生态（如Qwen, Llama等），对大模型的模型结构优化（如linear attention，Mixture-of-Expert等）有一定了解。
1.大模型在医疗领域的应用研究，涵盖AI诊疗（如诊断辅助、基于多组学个性化用药方案生成）等方向，推动AI技术在临床决策支持、健康管理中的落地。
2.参与端到端的算法任务设计、模型训练和优化，确保模型在医疗场景中的高精度、高可靠性。
3.与医疗专家、数据科学家和工程师紧密合作，将前沿AI技术转化为实际解决方案，解决医疗行业痛点。
4.探索大模型在医疗AI的前沿应用，以支持持续的技术迭代和产品创新。
1. 负责大语言模型及多模态模型的推理服务部署、性能优化和稳定性保障。
2. 基于 vLLM、SGLang、TensorRT-LLM 等框架，建设和优化推理服务能力。
3. 跟踪推理加速前沿技术，推动量化、长上下文优化、PD 分离等能力落地。
1、背景要求： 计算机、人工智能、自动化、机器人等相关专业在读硕士或博士，表现特别优秀的本科生亦可；
2、理论基础： 具备扎实的深度学习基础，熟悉 Transformer 架构，对 ViT、CLIP、LLaVA 等主流模型有深入理解；
3、编程能力： 精通 Python，熟练使用 PyTorch 框架，具备良好的代码风格和算法实现能力；
4、学习能力： 具备优秀的逻辑思维和文献阅读能力，能够快速理解并实现前沿论文中的核心思想；
5、实习时间： 每周可实习 4 天以上，持续时间不少于 4 个月（半年以上优先）。
加分项：
科研成果： 在 CVPR, ICCV, NeurIPS, ICRA, IROS 等顶会发表过相关论文者优先；
项目经验： 有扩散模型（Diffusion Model）、强化学习（RL）、或大型开源项目（如 OpenVLA, Pi0 等）贡献经验者优先；
机器人背景： 熟悉 ROS/ROS2，有真机调试经验或物理引擎仿真（如 Isaac Gym, Sapien）经验；
竞赛经历： 在知名 AI 竞赛或机器人挑战赛中取得优异成绩。