The posting
基础模型 Scaling 研究：负责自动驾驶基础模型的 Scaling 技术研究，探索模型规模、网络架构、训练数据、计算资源与模型性能之间的关系，研究高效的模型与数据 Scaling 策略，持续提升模型能力上限。 模型架构与表征优化：研究视觉基础模型、时空特征融合、多任务共享表征等核心技术，围绕 Vision Transformer、Temporal Modeling、跨任务特征交互等方向开展算法创新，提升模型的空间理解、时序建模和复杂场景泛化能力。 数据 Scaling 与训练策略优化：研究大规模训练数据的质量评估、数据筛选、数据配比、动态采样等技术，分析不同数据规模、场景分布和训练策略对模型效果的影响，提升数据利用效率及模型泛化能力。 多任务联合训练优化：深入理解感知、认知、行为等任务的算法与数据特点，研究多任务训练中的特征共享、梯度冲突、Loss Balance 和负迁移等问题，通过模型架构、数据策略和训练方法的协同优化，提升联合模型整体效果。 大规模训练与实验研究：设计并开展大规模模型训练实验，研究 Scaling Law、训练稳定性、优化策略及训练效率，建立系统性的模型效果评估与实验分析方法，持续探索更优的模型能力与训练成本平衡。 前沿技术探索与落地：跟踪视觉基础模型、VLA、多模态大模型及大规模预训练领域的前沿研究，结合真实自动驾驶业务需求开展技术创新，推动研究成果在下一代自动驾驶模型中应用。
计算机、人工智能、自动化、数学等相关专业，硕士及以上学历，具备扎实的机器学习与深度学习理论基础。 深入理解 Transformer、Vision Transformer、Attention 等主流模型架构，熟悉大规模模型训练、优化方法及模型泛化相关技术。 对 Model Scaling、Data Scaling 或 Scaling Law 有深入理解，能够从模型架构、数据分布和训练策略等角度分析模型性能瓶颈，设计有效的优化方案。 熟悉 PyTorch 等深度学习框架，具备较强的算法实现、实验设计、数据分析和复杂问题定位能力。 具备较强的研究能力与技术判断力，能够独立开展算法研究，提出技术假设、设计对比实验，并通过数据分析验证结论。 具备良好的沟通协作能力，能够深入理解业务问题，推动算法研究与实际应用结合。
加分项 具有视觉基础模型、VLM、VLA、自动驾驶端到端模型或多模态大模型的预训练及 Scaling 经验。 在 Model Scaling、Data Scaling、Scaling Law、Data Mixture Optimization、Data Selection 或大规模多任务学习等方向有实际研究成果。 熟悉模型预训练、蒸馏、Self-supervised Learning、Curriculum Learning、Gradient Balancing 等相关技术。 具备大规模分布式训练经验，熟悉训练性能优化和大规模模型训练系统。 在 CVPR、ICCV、ECCV、NeurIPS、ICLR、ICML 等顶级会议发表过高质量论文，或有通过模型与数据优化显著提升实际业务效果的项目经历。
