薪酬概览
平均月薪
¥40500
中位数 ¥0 ｜ 区间 ¥30000 - ¥51000
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
80% 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
5月新增岗位
1
对比上月：岗位减少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 |
|---|---|---|
| 5-10年 | 1 | 100% |
热招职位
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。
- 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
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。