薪酬概览
平均月薪
¥20000
中位数 ¥15500 ｜ 区间 ¥16500 - ¥23400
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
40% 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
11月新增岗位
7
对比上月：岗位新增3
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 | 7 | 100% |
热招职位
1、主导规划项目立项，准备项目背景和技术资料，立项报告及其它必要的立项资料。
2、主导分解项目开发计划，项目开发计划表。
3、统筹制定新员工专业技术培训计划，培训计划表。
1、负责语音识别、语音理解、以及端到端语音大模型的算法研究，模型训练优化及业务落地
2、基于智能语音交互项目上遇到的生产问题及业务痛点进行深入分析，提出优化解决方案
3、同工程团队一起紧密配合，推动模型的上线及线上效果的追踪
4、跟进语音大模型的最新技术进展，评估哪些技术方案可应用于平安业务场景，并具有落地可行性，进行技术引进。
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。
1、计算机、人工智能、自动化等相关专业本科及以上学历（硕士优先）；
2、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、有大模型（VLM、LLM）训练经验，熟悉其在多模态任务中的应用；
4、对机器人技术有浓厚兴趣，愿意参与真机测试等实践性工作；
5、熟练使用 PyTorch、TensorFlow 等深度学习框架，具备良好的工程能力和代码实现能力；
6、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、有机器学习或深度学习项目经验，了解多模态模型的基本概念；
2、对人形机器人、智能操作等方向有强烈兴趣；
3、熟悉Linux系统和基本的命令行操作；
4、有机器人相关课程或项目背景。
1. 负责声纹身份、情绪、年龄、性别、健康状况识别等相关算法的研发；
2. 根据具体场景、环境、设备，进行模型的精度优化、性能优化；
3. 实现模型的高度棒性，具有活体检测和防攻击能力；
4. 引入、优化多模态大模型研发技术方案，熟悉多维特征向量处理过程；
5. 跟进前沿技术发展，实现现有功能提升，以及拓展新的模型，同步形成论文与专利等知识成果。
核心算法研发：负责微表情识别算法的全流程开发，包括但不限于面部关键点检测（Landmark Detection）、面部动作单元（AU， Action Units）识别、微表情时空模式提取与分类。 多模态融合：结合语音情感分析、生理信号（PPG/眼动）或文本语义，构建多模态情感计算模型，提升在低强度、短时程微表情下的识别准确率。 数据工程：主导微表情数据的清洗、标注规范制定及数据增强策略（特别是针对不平衡样本和小样本学习），构建高质量的数据闭环。 模型优化：针对端侧（On-device）或云端部署需求，进行模型压缩、量化及推理加速，解决实际场景中的光照变化、头部姿态偏移等鲁棒性问题。 前沿探索：跟进CVPR/ICCV/ACII等顶会中关于情感计算、自监督学习的最新成果，将SOTA论文转化为可落地的工程方案。
1、跟踪AI前沿研究方向（如大模型安全、后量子安全等），开展系统性技术调研与问题拆解
2、围绕关键科学问题开展探索性研究（如模型对齐、安全机制、隐私计算等）
3、设计并实现算法原型，完成实验验证与效果分析
4、参与论文、专利或技术报告撰写，推动研究成果沉淀
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。