招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
1、整车 AI 开发方法论体系构建 分析现有汽车开发方法论（V 模型、敏捷、SAFe）在 AI 开发场景下的适用性边界； 提出 AI-V 模型（AI-augmented V-Model）：在传统 V 模型基础上嵌入数据闭环、模型迭代、持续验证等 AI 特有环节 建立 AI 开发各阶段（需求→数据→训练→验证→部署→监控）的活动定义、制品标准和门禁准则 融合功能安全、预期功能安全和 AI 安全的统一安全分析框架 2、harness 工程——AI 开发工具链架构设计 "harness 工程"是本课题的核心工程化载体，指构建一个标准化的 AI 开发运行框架（Development Harness），将数据管线、训练管线、仿真管线、部署管线和监控管线统一封装为可组合、可配置的工程化单元。 数据 harness：定义统一的数据 schema、标注规范、版本管理机制，支持多源传感器数据（摄像头、LiDAR、Radar、CAN 总线）的高效采集与治理 训练 harness：标准化模型训练流程，包括超参管理、实验追踪、模型注册、合规审计，确保训练过程的可复现性 仿真 harness：构建支持 SIL/MIL/HIL/VIL 的分层仿真验证框架，实现场景库管理、测试用例自动生成、仿真结果与实车数据的闭环校准 部署 harness：定义从云端到车端的模型交付标准，包括模型压缩/量化规范、OTA 升级策略、车载推理框架适配 监控 harness：建立车载 AI 运行时的性能监控与数据回传机制，支撑 Shadow Mode、触发式数据采集和模型退化预警 3、工具链原型系统开发与集成验证 基于上述架构设计，开发工具链原型系统（MVP），实现核心模块的功能验证 选取典型 AI 应用场景（如 L2+ 辅助驾驶的感知-规划链路、座舱大模型交互）进行端到端集成验证 在合作企业（小米汽车）开展工程化试点，收集真实开发流程中的反馈数据 4、方法论与工具链的评估框架 建立 AI 开发成熟度模型（AI-DMMM），从数据管理、模型质量、流程效率、安全合规四个维度评估企业 AI 开发能力 设计方法论有效性的定量评估指标体系（开发周期缩短率、缺陷逃逸率、模型质量一致性等） 形成方法论推广的分阶段实施路线图
1、构建驾驶行为特征体系，基于车速、加速度、制动、转向、跟车、道路、环境、DMS和驾驶辅助状态等数据，形成可解释的驾驶行为画像； 2、研究高维车端时序数据表征学习方法，构建面向安全风险预测的时序模型； 3、建立驾驶行为与安全事件、能耗表现、整车健康状态之间的关联分析与因果推断框架； 4、研究人工驾驶、辅助驾驶、接管切换等人机协同场景下的风险识别模型； 5、推动模型在安全画像、安全分、风险预警、事故分析、健康管理等业务中的工程化落地； 6、沉淀可复用算法组件、技术文档、论文与专利。
1、构建安全事件知识图谱，建立车辆-事件-驾驶行为-零部件-软件版本-环境场景-处置结果的关系模型； 2、研究多源异构安全数据的实体对齐、关系推理和动态图谱更新方法； 3、研发因果发现算法，从观测数据中自动发现安全事件的因果结构； 4、研究小样本学习和可解释AI方法，支撑稀有安全事件的归因和证据链展示； 5、推动模型在事故分析、群体风险识别、安全治理场景中的工程化落地； 6、沉淀可复用算法组件、技术文档、论文与专利。
1. 负责小米信息流场景（图文、短视频）的个性化推荐算法研发，提升推荐效果和用户体验； 2. 深入理解业务场景和数据，设计和优化多目标排序模型，提升内容分发的精准度、多样性和生态健康度； 3. 推进召回、粗排、精排、混排等环节的算法迭代，探索深度学习、强化学习、多任务学习等前沿技术在推荐系统中的应用； 4. 构建和优化大规模特征工程、在线服务架构，保障高并发场景下的系统稳定性和效率； 5. 与产品、运营、数据团队紧密协作，通过数据分析、AB实验等方式驱动业务增长； 6. 跟踪业界最新技术动态，打造一流推荐系统
1、负责小米效果广告平台方向产品工作。包括广告创意、投放操作优化、素材&落地页策略等方向。提升客户效果和平台收入，优化投放效率。 2、深入了解市场和竞品，结合小米客户投放生命周期和投放链路，搭建相应的决策/分析/效率工具，构建客户指标体系，驱动提升客户投放效果。 3、与广告运营/销售团队紧密配合，基于客户洞察与分析，设计并交付对应的产品解决方案，推动设计、技术、 测试等相关团队及合作部门按时完成产品研发、高质量上线， 完成产品目标。
1. 负责项目前期工艺开发及设计审核工作； 2. 负责进场后项目管理(安全、进度、质量)； 3. 负责现场阶段工艺的优化，节拍及质量提升； 4. 负责各类项目问题的推动解决； 5. 负责组织项目预验收、终验收、及相应的文档交付工作； 6. 负责量产车型全生命周期工艺管理； 7. 支持质量、过程体系审核。 8. 负责项目团队管理达成项目各节点要求；
1. 负责车型同步工程，制定车型SE目标，提高结构设计工艺性； 2. 负责工艺成本优化，熟悉行业对标信息，通过SE进行工艺量优化； 3. 负责项目前期工艺规划及开发，完成工艺仿真，并完成关键设备机械设计； 4. 负责现场阶段工艺的优化，节拍及质量提升； 5. 负责各类项目问题的推动解决； 6. 负责组织项目预验收、终验收、及相应的文档交付工作；
1、经营健康度分析：通过历史解析，定位业务增长贡献的核心因子；通过未来预测，结合MAU等数据长期评估业务规模；深入设备粒度理解，结合LTV等判断单设备价值趋势辅助定价 2、经营指标承接：通过制定各业务的北极星指标，全量&准确地呈现经营分析情况，为一级/二级部门的决策提供可靠的数据依据，包括但不限于指标定义、合理性评估、看板与监控平台化 3、底层数据整合与建设：打通手机部、技术委等多部门底层数据，提升设备粒度数据的覆盖率与准确率，保障分析与产品化的产出质量
1、研究与优化多层级渐进式路由架构，设计端侧轻量分级器，提升路由决策准确性与响应速度 2、攻关端云并行协同调度，实现意图理解和执行竞速，设计渐进式结果融合与弱网降级策略 探索Plan-Execute-Learn范式在端侧Agent中的应用，构建可自主规划、执行、纠错和学习的智能体闭环 3、研究多智能体协同执行框架，支持复杂任务的并行分解与协作完成 优化端侧工具调用链路，扩展工具生态，提升工具选择与参数填充的准确性 4、发表AI顶会/顶刊论文（ACL、NeurIPS、ICML、AAAI等），申报发明专利
1. 负责各类多模态大模型的预训练，微调和部署，并应用于实际业务中 2. 探索知识增强技术，通过个人数据提升个性化模型的语言理解和生成能力 3. 融合多模态数据，攻关具备自主观察环境和推断用户需求的意图决策大模型 4. 搭建基于端侧VLM的屏幕理解能力，实现具备泛场景能力的GUI Agent 5. 探索机器学习领域的新技术，探索与其他领域的技术融合。并撰写相关论文，专利
1. 负责各类多模态大模型的预训练，微调和部署，并应用于实际业务中 2. 探索知识增强技术，通过个人数据提升个性化模型的语言理解和生成能力 3. 融合多模态数据，攻关具备自主观察环境和推断用户需求的意图决策大模型 4. 搭建基于端侧VLM的屏幕理解能力，实现具备泛场景能力的GUI Agent 5. 探索机器学习领域的新技术，探索与其他领域的技术融合。并撰写相关论文，专利
1、负责大模型在内的各类算法的移动端部署与优化； 2、负责移动端深度学习框架开发及算子优化； 3、不断挖掘移动芯片算力潜能，改良模型结构，实现业界领先的算法执行效能； 4、撰写相关论文，专利。
1、磁器件及系统设计优化：优化TMR/AMR磁传感器芯片的磁堆栈结构、读出电路及封装方案，提升灵敏度与抗干扰能力；系统级优化设计磁干扰屏蔽方案，降低软磁/硬磁干扰对指南针精度的影响； 2、指向算法优化：开发硬磁偏移自动校准与软磁扭曲矩阵实时修正算法，结合用户场景识别与运动状态检测，实现指南针指向的高精度动态补偿与快速收敛； 3、惯导算法优化：优化IMU与磁传感器的紧组合滤波算法，在磁干扰失效时通过纯惯性推算保持航向连续性，并在磁信号恢复时实现无感重收敛。
1、基于AI开发高效粘接剂，改善电池膨胀问题； 2、基于AI开发电池分散剂，实现电极材料的定向分布； 3、基于AI开发高分子固态电解质，布局固态电池技术。
1、智能电池传感器+AI软硬融合方案在手机BMS规划； 2、Pack端微型薄膜压力传感器和超声传感器研究； 3、电芯内置气体、压力、温度传感器及长效参比电极技术研究和方案预研； 4、EIS芯片在BMS应用研究； 5、参与析锂、鼓包、内短路和漏液等无损检测技术在电量计和手机端或者云端导入； 6、参与电池自修复和延寿策略开发和导入；参与电池数字孪生布局和研究。
1、电池云端大数据管理和迭代； 2、电池全生命周期内数据链路管理和系统优化； 3、基于数字孪生专项提升电池市场端安全和电池健康水平。
1、建立金属/无机非金属/高分子/复合材料的数据库，整合内部实验数据、文献数据和公共数据库资源，形成结构清晰、可迭代的材料数据资产； 2、开发AI辅助的材料性能预测模型和逆向设计模型，针对手机结构件和外观的典型应用场景进行迭代优化； 3、与产品设计、CMF设计、结构设计等部门深度协作，推动AI预测结果在实际产品选型中的应用，缩短新材料从实验室到产品的导入周期； 4、探索材料AI模型的可解释性方法，为材料工程师提供成分-工艺-性能的设计指导依据，降低黑箱模型的使用门槛； 5、定期输出材料技术前瞻报告，识别关键性能瓶颈，提前布局有潜力的新材料体系。
1、明确四个功能方向的高价值研发任务； 2、构建材料“成分-工艺-功能/电/热/电磁性能”多维度数据库，积极整合外部可信数据资源与内部测试数据，持续补充和迭代数据库价值； 3、联合仿真团队（CAE/电磁/热）开展多物理场模拟工作，建立跨尺度的功能材料“AI初筛-多物理场仿真-实验精筛”高效研发技术栈； 4、与产品、天线/射频、架构团队等需求端紧密配合，确保AI研发与产品需求的高度对齐。
1、自动化仿真体系搭建与工程落地：覆盖力电声光热五大物理场，基于AI for Science搭建一键自动化仿真体系，实现仿真全链路标准化与模块化。负责仿真工具二次开发、流程脚本集成，打通仿真与硬件设计数据链路； 2、多物理场算法研究与效能优化：研究代理模型与多目标优化算法，结合AI小样本科学计算技术，持续提升求解效率与结果稳定性，解决复杂系统仿真迭代慢、人工依赖高、一致性差等工程痛点； 3、仿真驱动设计闭环与智能迭代：搭建仿真数据正向优化闭环，通过参数迭代、方案比对与全局优化，反向迭代PCB、结构、光学、热管理、音频硬件方案，实现产品提质、研发提效、整体降本。
1、主要从事 IoT 智能体（Agent）系统的核心架构研发，聚焦大模型驱动的 Agentic 应用在智能家居场景的深度落地：； 2、oT Agentic 智能体框架：设计并实现面向智能家居场景的大模型 Agent 系统，基于多层规划-执行循环架构，实现自然语言到设备操作的自主决策与智能编排，支持多步任务规划、并行执行、容错降级与动态重规划等核心能力； 3、云-边-端 Agent 协同：探索边缘中枢 Agent（Rust）与云端 Agent 的协同架构，实现本地低延迟执行与云端复杂推理的最优分配，支持 MCP/A2A 等开放协议的设备能力暴露； 4、长期记忆与视觉感知融合：构建跨会话长期记忆系统与视觉感知能力（摄像机场景理解、家庭成员识别、空间状态感知），结合环境传感数据实现基于用户习惯和实时家庭状态的主动智能服务。