1. 参与自动驾驶端到端大模型（如 VLA、VLM、世界模型等）的算法研发，包括模型结构设计、训练策略优化、多模态数据融合等工作。 2. 参与大规模自动驾驶数据的预训练、微调（SFT/RLHF 等）方案设计与实验验证。 3. 探索大模型在场景理解、行为预测、轨迹规划、Corner Case 泛化能力提升等方向的应用。 4. 参与模型压缩、推理加速相关工作，推动大模型在车端/云端的落地部署。 5. 跟踪学术界与工业界大模型、具身智能、自动驾驶前沿技术进展，输出技术调研与可行性分析。 6. 与数据、仿真等团队协作，完成算法从研发到落地的全流程工作。

基本要求： 计算机科学、人工智能、自动化、电子信息、数学等相关专业，硕士及以上学历（优秀本科生可放宽）。 扎实的机器学习/深度学习基础，熟悉 Transformer、CNN 等主流模型结构原理。 熟练使用 PyTorch 或其他主流深度学习框架，具备良好的工程编码能力（Python，熟悉 C++ 优先）。 具备扎实的数学基础（线性代数、概率统计、优化理论）。 良好的英文文献阅读能力，能够跟进并复现前沿论文。 具备良好的沟通协作能力和问题分析能力，能够在跨团队协作中清晰表达技术思路。 加分项（以下满足任一项优先考虑） 有大语言模型（LLM）、多模态大模型（VLM/VLA）、世界模型（World Model）相关的研究或项目经验。 在 CVPR / ICCV / ECCV / NeurIPS / ICML / ICLR / AAAI 等顶级会议或期刊发表过相关论文（一作/共一优先）。 有自动驾驶感知（BEV、Occupancy、3D 检测）、规划控制、端到端自动驾驶相关研究或实习经验。 有大规模分布式训练经验（如多机多卡训练、DeepSpeed、Megatron 等框架使用经验）。 参加过相关领域高水平竞赛（如 CVPR Workshop 自动驾驶挑战赛、Kaggle 等）并取得优异成绩。 有开源社区贡献经历（GitHub 项目、开源模型/数据集贡献等）。