提前批-车端大模型与世界模型系统架构工程师

岗位定位 我们正在建设下一代智能汽车 AI 计算与系统架构。未来车端将同时承载智能辅助驾驶世界模型、VLA / VLM 模型、座舱多模态大模型、车端 Agent、安全 Agent 等多类 AI 工作负载。 架构团队不直接以训练模型为唯一目标，而是负责把模型能力、模型演进趋势和业务体验目标，转化为芯片、OS、内存、存储、通信、隔离、数据闭环和软件平台的系统架构设计。 我们希望招聘具备大模型后训练、世界模型或 VLA 模型背景的博士校招生，成为 AI 模型团队和整车系统架构团队之间的桥梁。 你将负责 跟踪和理解大模型后训练、强化学习、偏好对齐、多模态模型、世界模型、VLA / VLM 等方向的技术演进，判断其对车端系统架构的影响。 将模型需求转化为可落地的系统架构指标，包括但不限于算力、显存 / 内存容量、内存带宽、KV cache、上下文长度、模型并发、模型隔离、端侧推理延迟、功耗和热设计约束。 面向智能辅助驾驶、智能座舱、车端 Agent 等场景，参与设计下一代车端 AI 计算架构，包括中央计算、区域控制、跨域通信、模型部署、资源调度和安全隔离方案。 参与世界模型、VLA 模型、多模态大模型在车端部署的可行性分析，形成技术路线判断、平台需求和 POC 方案。 与算法、芯片、OS、中间件、座舱、智能辅助驾驶、数据闭环等团队协作，推动 AI 模型能力向产品体验和平台架构落地。 输出面向技术决策的分析报告、架构方案、性能模型、系统 KPI 和技术控制点。

我们希望你具备 博士学历，计算机、人工智能、机器人、智能辅助驾驶、电子工程、软件工程等相关方向。 熟悉以下至少一个方向： 大模型后训练、SFT、RLHF / RLAIF、强化学习、偏好优化； 多模态大模型、VLM、VLA、具身智能大脑； 世界模型、视频生成模型、动作生成模型、端到端智能辅助驾驶模型； 端侧 AI 推理优化、模型压缩、蒸馏、量化、推理加速。 能够理解模型结构和训练范式背后的系统需求，而不只是关注模型指标本身。 具备较强的工程抽象能力，能够把算法问题翻译成系统架构问题。 具备良好的沟通能力，愿意在算法、芯片、OS、整车电子电气架构之间做跨团队协作。 加分项 有智能辅助驾驶、机器人、具身智能、智能座舱、多模态交互相关研究或项目经验。 熟悉 Transformer、Diffusion、MoE、KV cache、long context、agent memory、端侧部署等机制。 有 GPU / NPU / SoC / memory bandwidth / runtime / scheduler / compiler 相关经验。 有真实系统落地经验，而不仅是论文或 benchmark 经验。 对智能汽车、机器人或 AI Native 设备的系统架构有强烈兴趣