离线大模型算法实习生（感知方向）

该职位来源于猎聘 岗位职责： 核心算法研发：负责自动驾驶/机器人领域中离线感知算法的研发工作，重点利用大模型（Foundation Model） 技术，研发通用感知模型，包括但不限于BEV感知、Occupancy Network、多模态（Camera/LiDAR/Radar）融合感知、3D目标检测与分割、多目标跟踪等。 自动标注与真值生成：负责研发基于4D自动标注的离线真值生成系统，利用SLAM、多传感器融合、三维重建（如SFM、NeRF、3DGS）等技术，高效产出高质量的4D（空间+时间）真值数据，以支撑大规模模型训练。 前沿技术探索与落地：跟踪并研发端到端自动驾驶、World Model、视觉语言动作模型（VLA）等前沿技术，将其应用于离线数据处理、数据生成或感知能力提升，保持方案的技术先进性。 数据闭环与模型迭代：构建高效的数据闭环机制，通过自动数据挖掘、难例分析、自动化标注与训练，加速模型在Corner Case上的迭代效率和性能优化。 大规模模型训练与优化：负责离线感知模型的分布式训练、性能调优，解决训练效率和收敛性挑战，并探索模型量化、剪枝、蒸馏等端侧部署优化技术。 任职要求： 教育背景：计算机科学、人工智能、自动化、测绘、电子工程、应用数学或相关领域硕士及以上学历。 深度学习基础：具有扎实的深度学习理论基础，对CNN、Transformer、BEVFormer等经典及前沿模型结构有深入理解，熟悉PyTorch/TensorFlow等主流深度学习框架。 核心经验（至少具备其一）： 在3D视觉/自动驾驶感知（如3D检测、BEV感知、Occupancy、多模态融合、跟踪）方面有大模型相关经验。 在大模型/多模态模型（如LLM、VLM、VLA）方面有预训练、微调或应用经验，熟悉CLIP等多模态预训练模型。 工程与数据能力： 熟练掌握Python和Python编程，具备良好的工程实现能力。 熟悉大规模数据处理和分布式训练框架，有丰富的模型调参和性能优化经验。 加分项： 在CVPR、ICCV、NeurIPS等顶会或期刊上发表过相关论文。 有处理百万级数据集的自动标注或数据生成经验。 有模型端侧部署（量化、剪枝）或CUDA优化经验。