薪酬概览
平均月薪
¥31300
中位数 ¥30000 ｜ 区间 ¥23600 - ¥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
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
6月新增岗位
14
对比上月：岗位减少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 | 14 | 100% |
热招职位
1. 多模态大模型研发优化：负责CV领域多模态大模型研发工作，聚焦图像、视频、文本多模态融合，完成视觉大模型预训练、微调、对齐优化，包括SFT、RLHF、Prompt工程、模型量化等工作，提升模型视觉理解、细粒度识别、图文匹配、图像生成能力。
2. 视觉Agent智能体开发：负责AI Agent架构设计与开发落地，搭建视觉智能体任务编排框架，实现Agent感知、推理、规划、执行闭环能力，完成视觉任务拆解、工具调用、多智能体协同、自主决策逻辑开发，落地CV场景智能化应用。
3. 算法方案设计与迭代：结合业务场景需求，调研跟进国内外多模态大模型、视觉Agent前沿技术，设计高精度、高稳定性的算法解决方案，持续优化模型推理速度、泛化能力、复杂场景适配性。
4. 数据处理与评测体系搭建：负责多模态视觉数据清洗、标注、增强、蒸馏优化，搭建模型评测基准，针对视觉识别、Agent任务执行效果进行量化评估，输出优化迭代方案。
5. 工程化落地与优化：配合工程团队完成模型轻量化、推理部署、性能调优，兼顾算法效果、算力成本与系统稳定性，实现多模态模型+视觉Agent在业务场景的规模化落地。
1.基于大模型、行为序列等技术，完善各类业务风险的全流程风控体系，包括不限于态势感知、风险审核、策略智能体、团伙自动化挖掘等，保证用户的资金安全，提升交易生态健康度；
2.基于多模态大模型、CV等技术建设业界领先的图像质检能力，包括不限于篡改检测、AIGC检测、人脸攻击识别、业务违规识别等，提升支付的反洗钱合规水平并优化客户入驻体验。
1、本科及以上在读，数学、计算机、人工智能、自动化、机器人等相关专业优先；
2、至少 1 年强化学习相关项目或研究经验，熟悉足式机器人运动学和动力学；
3、熟练使用基于 Pytorch 的深度学习框架，掌握 PPO、DQN、SAC 等主流强化学习算法，以及 MuJoCo、Isaac Gym/Sim 等主流仿真工具；
4、热爱机器人行业，有相关期刊或会议论文发表经历，或实际强化学习项目落地经验者优先。
【你将获得】
1、深度参与最前沿的具身智能算法研发，专注于双足机器人运动规划与控制，以及从仿真到实机的迁移；
2、行业内资深专家的指导，对于优秀成果，我们将全力支持发表学术论文或申请专利；
3、完备的实验室支持，包括充足的计算资源、稳定的机器人平台和强大的软硬件团队；
4、明确的成长路径：实习生是公司的重要储备人才，对于即将毕业的优秀实习生，我们优先考虑其全职工作申请。
1. 教育背景： 计算机、人工智能、软件工程等相关专业本科及以上学位。
2. 模型实战经验： 具备 LLM（如 LLaMA, GPT, Qwen 等）监督微调（SFT）、强化学习 (LLM-RL)等实务经验。
3. 核心技能： (至少熟悉以下一项)
- 有实际的 LLM SFT/RLVR 等微调经验，熟悉主流的微调框架（如 verl, Trinity-RFT, Axolotl, etc）。
- 有大规模应用服务部署经验，熟悉 Kubernetes、Docker 等容器化技术。
- 有 LLM 推理服务部署和优化经验，熟悉 vLLM/SGLang/Ray Serve 等。
- 有将 LLM 应用于人形机器人或自动驾驶相关项目的经验。
4. 编程与框架： 熟练掌握 Python，熟悉 PyTorch 等深度学习框架。具备良好的软件工程和代码习惯。
5. 沟通协作： 具备良好的沟通和团队合作精神，能快速学习和适应新技术。
1.学术成果：在ACL、EMNLP、NeurIPS、ICML、ICLR等会议或期刊上发表过 关于 大语言模型（LLM）、NLP、强化学习、机器学习等方面的论文；
2.项目经验：有大语言模型（LLM）和NLP的实际业务经验，包括不限于剧情生成、可控NPC对话、聊天对话、逻辑推理、盘面推理等；
3.竞赛经验：在kaggle等竞赛中获得过优异名次。
1、学历与专业： 计算机、自动化、机器人、人工智能、数学等相关专业，硕士及以上学历
2、有端到端自动驾驶（如UniAD）或VLA模型（如RT-2）等在机器人/自动驾驶领域的应用经验；
3、具备良好的数理功底以及代码能力；
4、熟悉强化学习、模仿学习、扩散策略在自动驾驶/机器人中的应用；
5、有大规模分布式训练、模型量化、端侧部署（TensorRT/ONNX/CUDA）经验优先；
6、有自动驾驶世界模型（预测或生成方向）研发经验优先。
1. 学术背景： 计算机视觉、计算机图形学、机器人学或相关专业硕士/博士学位，扎实的数学物理功底与良好的科学素养；
2. 核心技术栈：
- 熟悉 3D 视觉 & 计算机图形学：多视图几何、SLAM、SfM、点云处理或神经渲染（NeRF / GS）。
- 精通 人体重建与估计：深入理解 人体参数化模型 / Human Mesh Recovery / Human Pose Estimation / Hand-Object Interaction / 动作捕捉技术，熟悉 动作生成（Motion Generation）算法。
- 了解 机器人学：运动学 / 动力学建模、强化学习（RL）或模仿学习（Imitation Learning）；
3. 工程能力： 熟练使用 Python / C++，有良好的编程习惯和工程思维；
4. 加分项：
- 在顶级会议或期刊发表过第一作者论文；
- 有大规模 Egocentric 数据集处理经验；
- 熟悉 ROS、ROS2、Isaac Sim 或 Omniverse 等仿真平台；
- 熟悉 机器人本体，善于学习新技术，对技术有充足热情。
1. 教育背景：计算机、电子工程、人工智能、自动化等相关专业硕士及以上学历；
2. 算法与理论基础：具有扎实的机器学习/深度学习基础，在 VLM、LLM、AIGC、RL、Robotics、3D Vision 等相关领域有相关研究或实践经验；
3. 编程与工具能力：熟练掌握 Python / C++，熟悉 Linux 环境与网络/性能分析；熟练使用 PyTorch 等至少一种主流深度学习框架，具备优秀的系统级代码实现能力；
4. 专业技能（以下A、B两项满足其一即可）：
[算法研究向]：具备独立开展高水平研究的能力，曾在 CVPR / ECCV / ICCV / CoRL / ICRA / NeurIPS / ICLR / ICML / SIGGRAPH 等顶会/顶刊上发表过学术论文；
[工程部署向]：具有丰富的模型工程或训练平台经验，熟悉大规模训练加速与剖析；或具备推理与端侧异构部署加速经验（如 TensorRT / ONNX 等），熟悉推理服务框架、容器编排（Docker / K8s）等。
5. 综合素质：对具身智能（Embodied AI）及机器人交互有浓厚兴趣；具备良好的跨团队沟通协作能力与复杂问题解决能力，能在“研究-工程-平台”多方之间高效推进项目。
1、计算机、人工智能、自动化、机器人、电子信息等相关专业，本科及以上学历。
2、熟悉语音、计算机视觉、自然语言处理、多模态学习或人机交互中的一种或多种技术方向。
3、对多模态信息融合、对话系统、意图识别、智能体规划或动作生成具备扎实的理论基础和实践经验。
4、熟练掌握 Python、C++、PyTorch 等开发工具，具备良好的算法开发、工程实现及系统调试能力。
5、具备真实场景算法落地经验，能够针对噪声、时延、算力限制和传感器误差等问题进行系统性优化。
6、具备良好的产品意识、用户体验意识和跨团队协作能力，能够从实际交互效果出发推动算法迭代。
加分项
1、有机器人、人机交互、智能音箱、数字人、车载交互或多模态智能体项目经验。
2、熟悉 ASR、TTS、VAD、声源定位、视觉语言模型、对话大模型或生成式动作模型。
3、熟悉 ROS/ROS
2、机器人传感器及感知—决策—控制系统。
4、有端侧部署、实时音视频处理、模型量化或推理加速经验。
5、在 HRI、多模态学习、语音、视觉或自然语言处理相关领域发表过高水平论文。
1、负责Tex AI中心翻译技术团队MT技术，包括机器翻译、译后编辑润色、机器翻译自动评估等。
2、侧重于研发few-shot / zero-shot MT、语法纠错、文本语种识别等先进算法尤其是生成类算法。
3、负责翻译算法技术应用于垂类场景（如商务沟通、出行等），包括但不限于算法的设计、工程实现以及持续优化；
4、研究预训练、语义生成、语义匹配、语义检索等方向的前沿技术，并探索其在MT中的相关应用。
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，具备扎实的算法研究或数据工程实践经验。
2、核心技术栈（满足以下至少一项即可）：
1）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，有大规模多模态数据处理经验；
2）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落地经验；
3）熟悉视觉 SLAM 或三维重建算法（如 ORB-SLAM、COLMAP、NeRF、3DGS 等），具备处理复杂场景空间数据的实际经验；
4）熟悉主流深度学习框架（PyTorch 等）及模型加速技术（如 TensorRT、vLLM、ONNX 等），具备模型量化、剪枝或分布式推理优化经验。
3、工程能力：
1）精通 Python / C++，具备扎实的编程功底与良好的代码规范；
2）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、对数据高度敏感，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，能快速学习并掌握前沿技术。
1 生成式搜推架构设计：主导基于大模型的搜索与推荐系统架构演进，探索将 LLM 应用于召回、排序及重排阶段，实现从“关键词匹配”向“意图理解与内容生成”的跨越。 2 RAG 与知识增强：构建基于检索增强生成（RAG）的垂直领域知识库，解决传统搜推中冷启动、长尾 Query 理解难及事实性幻觉问题，提升回答的准确性与相关性。 3 数据语义对齐：利用多模态大模型（LMM）处理文本、图像、视频等多源数据，挖掘深层语义特征，优化多模态内容的召回与排序效果；负责对应的大数据特征加工用于算法训练。 4 模型微调与优化：负责开源大模型（如 Llama, Qwen, ChatGLM 等）或基座模型的领域微调（SFT）、指令微调（Instruction Tuning）及人类反馈强化学习（RLHF），使其适配特定业务场景。 5 智能体（Agent）探索：探索基于 Agent 的交互式搜索推荐，让用户通过自然对话完成复杂的任务规划与决策辅助。