薪酬概览
平均月薪
¥32800
中位数 ¥30000 ｜ 区间 ¥23100 - ¥42500
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
50% 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
9
对比上月：岗位减少8
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 | 33.3% |
| 3-5年 | 4 | 33.3% |
| 5-10年 | 4 | 33.3% |
热招职位
1、打造终端智能感知能力，突破关键多传感器融合特性，实现连续、低功耗等要求；
2、负责智能终端的算法架构设计能力，包括：机器学习/深度学习算法、多平台异构优化与端到端全链路理解能力；
3、保障模块设计开发的高效落地。
关于感知方向
感知是无人驾驶中非常复杂和有趣的部分之一，你构建的是一个人工智能集大成的系统，不是一项按部就班就能完成的工作！感知软件工程师负责无人驾驶感知系统的设计和实现，应对无人驾驶中各种最有挑战的问题：
设计高效可靠的深度学习模型，在几十毫秒内精确检测和跟踪车周围200米之内所有的障碍物（人，车，非机动车辆，交通锥等），并对场景进行理解 如何设计一般性的模型和算法去处理各式各样的长尾情况和极端环境，如路面上的垃圾袋，洒水车的水花，前车掉下来的挡板 ，如大雨，大雪，雾霾，风沙等 如何保证感知模型和算法在极端的环境里的准确性和可靠性，如大雨，大雪，雾霾，风沙等 把模型优化到极致，让十几个到几十个模型在车上有限的计算资源上欢快的运行。
如何搭建一个高效可靠的计算框架，支撑一个周期内接收几十个传感器的输入，做各种同步融合，并进行几十个深度学习模型的推理 关于机器学习和算法方向 这个方向的感知工程师负责设计并实现传感器标定，障碍物检测，分类，跟踪，和场景理解等各种模型和算法，VLM视觉语言模型落地，对模型和算法进行评估和测试， 并把模型和算法部署到车上。
我们需要你：
1.同时具有很强的算法和C++编程能力；
2.或者在机器学习/深度学习，计算机视觉，模型优化等至少一个方向上有扎实的基础和丰富的经验;
3.拥有强大的逻辑思维能力，算法能力，以及解决问题的能力;
4.具有良好的沟通能力和跨组合作能力;
5.具有强烈的自我驱动能力对无人驾驶真正的 believe.
加分项： 丰富的C++开发经验，熟悉多线程，内存管理，泛型，及设计模式. 丰富多传感器融合以及2d/3d跟踪的经验 在顶会发表了文章
1、 学历与经验：计算机科学、人工智能、自动化、机器人或相关专业本科及以上学历，具备相关算法/数据工程实践经验。
2、核心技术栈：
- 深入理解自动驾驶或机器人领域的数据质检体系与数据闭环方法论；
- 熟练掌握大模型微调技术（如SFT、LoRA/QLoRA、DPO/RLHF等），具备基于LLM/VLM构建自动化质检、评估或标注模型的实际经验；
- 熟悉主流深度学习框架（PyTorch等）及大模型生态工具链，了解向量检索、Agent工作流等数据应用架构。
3、工程能力：
- 精通 Python/C++，具备扎实的编程功底与良好的代码规范，熟悉分布式数据处理、流水线架构设计；
- 具备较强的系统设计与工程落地能力，能独立完成从算法原型到生产级服务的开发与部署。
4、综合素质：逻辑严谨、数据敏感度高，具备优秀的跨团队协作与项目管理意识；对具身智能与机器人技术有强烈热情，能快速学习并掌握新技术。
加分项
- 在 CVPR/ICCV/NeurIPS/ICRA/IROS 等顶级会议或期刊以第一作者发表过相关论文；
- 具备大规模第一人称视角（Egocentric）多模态数据集的处理、评测或标注体系搭建经验；
- 熟悉机器人软件栈（ROS/ROS2）及主流仿真平台（NVIDIA Isaac Sim/Omniverse、MuJoCo、PyBullet等），有 Sim2Real 实践经验优先；
- 熟悉主流机器人本体架构、传感器配置或底层控制逻辑，具备软硬件协同调试经验；
- 有高质量开源项目贡献、技术博客或社区影响力者优先。
1、 参与平安业务相关的文本分类、命名实体识别、文本相似性、语言模型、情感分析、用户行为分析等相关NLP工作；
2、 跟进NLP领域前沿技术，对现有产品和技术方案进行持续改进，同时探讨和开发新的产品。
1. 需求洞察与方案设计：深入客户业务一线，挖掘痛点，转化为技术方案。
2. 技术交付与集成：主导端到端交付，包括原型开发、系统集成、部署调试。
3. 项目管理与客户成功：独立管理项目全周期，推动落地并实现业务价值。
4. 反馈闭环与产品迭代：作为连接市场与研发的"神经末梢"，带回一线反馈。
1-深入理解经营分析、金融市场分析等业务需求，融合业务知识与数据分析技术，与业务团队协作，梳理分析目标与指标，制定合理的时序数据分析策略。2-负责时序数据的清洗、处理与特征工程，确保数据的准确性和一致性。3-熟练运用归因分析、假设检验等方法，深入挖掘数据背后的因果关系和规律，为业务提供数据驱动的洞察。4-开发高维时序数据分析方法，构建和优化时序预测模型，包括但不限于ARIMA、GARCH、LSTM等模型。5-开发基于知识图谱的图推理算法在经营分析场景的应用研究，包括但不限于RGCN，TRGC等卷积神经网络。6-熟练应用常用的机器学习和计量经济学模型，从模型的输出中提取有用信息，对黑箱模型进行解释分析，并在业务场景中合理运用并解释复杂模型的决策过程。7-了解模拟仿真技术，包括但不限于蒙特卡洛模拟、场景树生成、运筹优化算法等。8-编写详细的分析报告与技术文档，向业务和技术团队展示数据分析结果和模型应用效果。通过可视化工具清晰呈现时序数据分析的关键发现，支持业务决策过程。
1、业务介绍： 聚焦物流供应链，基于文本/图像/视频多模态数据，构建垂域多模态大模型，创新PT-SFT-RLHF方法论，赋能安全检测、违规巡检，降本增效。
2、岗位内容：负责垂域多模态模型继续预训练，视频理解等能力的攻坚。
3、研究内容：（1）基于物流供应链领域文本/图像/视频数据，探索构建垂域多模态大模型，创新提炼垂域适配的PT-SFT-RLHF各阶段数据构建、模型训练与评测方法论；（2）探索垂域多模态大模型前沿应用方向，提升垂域多模态基础能力，包括目标检测，视频分类，视频问答，视频描述等任务，赋能安全检测、违规巡检等业务，实现降本增效。
1、核心NLU引擎研发：负责意图识别、实体抽取、情感分析、文本分类等核心NLU任务的算法设计、模型训练与优化。针对特定业务场景，构建高精度、高鲁棒性的NLU模型，并持续迭代提升效果。跟踪NLU领域的最新研究成果，并将其应用于实际业务中。
2、LLM-basedAgent构建：设计和开发基于大语言模型的智能体框架，实现复杂的任务规划、推理和工具调用。负责多轮对话管理、上下文理解和状态追踪模块的研发，打造流畅、智能的对话交互体验。探索Agent的自主学习和决策能力，使其能够完成开放域、多步骤的复杂任务。
3、RAG技术应用与优化：设计并实现高效的检索增强生成（RAG）系统，结合向量检索与大语言模型，提升回答的准确性、时效性和可追溯性。负责文档切分、向量化、索引构建以及召回、排序等全链路模块的优化。研究并解决RAG系统中的常见问题，如信息噪音、召回不准、知识冲突等，并有效减少模型幻觉。
4、工程与落地：负责算法模型的工程化部署、性能优化和线上服务的稳定性维护。与产品、工程团队紧密合作，深刻理解业务需求，推动AI技术的快速落地和商业化应用。构建完善的评测体系和数据闭环，驱动模型和系统持续改进。
1.负责文本大模型在AI编程垂直领域（如代码生成、工具调用、接口测试）的数据构造、Post-Training与评估全流程；
2.深入代码大模型与文本推理方向，进行模型调优与能力创新，覆盖代码补全、流水线自动化、测试用例生成等场景；开展大模型智能体（Agent）的开发与设计，包括智能体工作流编排、工具调用规划、复杂任务分解与执行等；
3.负责文本上下文压缩技术的研究，并在代码检索、知识库问答领域的落地，包括Embedding压缩、长上下文（Long-context）优化、结构化文本处理等；
4.负责基于大模型的知识检索问答（如RAG）系统的研发与优化，包括领域知识库构建、检索增强生成技术应用、问答准确性提升等；
5.跟踪文本大模型、程序语言处理及智能体技术领域的技术进展，评估其在研发效能提升方面的应用潜力。
1、负责视觉-语言大模型(VLM)研发与优化，推动中医智能诊疗、医学图像分析等场景的端到端算法落地。
2、针对舌象、面色、关节等多类医学图像，开发分类、检测、分割及异常检测算法，支撑辅助诊断与健康评估。
3、设计跨模态融合架构，实现图像、文本等多源数据的协同建模与联合推理。
4、基于LLM/VLM进行SFT、RLHF、LoRA等微调，优化辨证论治、报告生成、医学问答等任务，提升临床实用性。
5、开发具备自主推理与工具调用能力的Agentic智能体，覆盖辅助诊断、用药监测、随访管理等自动化场景。
6、构建医学知识图谱，结合RAG技术增强模型可解释性与专业可信度。
7、跟踪前沿技术，探索创新应用，确保算法符合医疗伦理与监管要求。
1.有 Learned Motion Matching、运动扩散模型、物理引导生成等前沿方案的落地或复现经验；
2.熟悉动作数据管线（动捕数据清洗、重定向、标注、质量评估）与大规模动作数据集构建；
3.熟悉推理框架与端侧部署工具链（ONNX / TensorRT / NCNN /引擎内推理），有模型量化、裁剪、加速经验；
4.有强化学习物理控制（DeepMimic / AMP / ASE / CALM 等）落地经验；
5.有多模态模型训练经验（如文本 / 音频 / 视频 / 动作等跨模态对齐与联合建模）；
6.有实际上线的游戏项目动画系统研发经验，或角色动画、3D 内容生成相关背景。
1. 负责AI量化策略研发，覆盖金融时序预测、因子挖掘、组合优化等方向，参与从数据预处理到模型部署的全链路工作。
2. 探索LLM、强化学习、多模态等前沿技术在量化投资中的应用，参与大模型驱动的信号生成与策略设计。
3. 参与投资Agent系统建设，构建数据获取、分析、决策、执行的自动化链路。
4. 优化金融数据处理与特征工程流程，完成模型训练、推理优化及工程化部署。