共 1796 个在招岗位 · 小米在北京的最新招聘信息
1、研发面向园区代客泊车场景的一段式端到端规划算法，实现感知-预测-规划的统一建模； 2、研究基于AR&diffusion等深度学习方法的轨迹生成与决策算法； 3、结合数值优化、模型预测控制（MPC）等方法，提升规划轨迹的安全性与平顺性； 4、跟进端到端自动驾驶领域前沿进展，推动算法持续迭代优化。
1、设计并实现下一代具身端到端驾驶模型； 2、开发基于可微优化或强化学习（RL）的神经规划器； 3、应对大规模分布式训练的算力效率瓶颈； 4、参数数据闭环并对最终的量产指标负责。
1、负责自动驾驶场景下，视觉语言大模型在空间几何深度预测任务中的算法研发与优化； 2、构建多模态深度预测数据集，整合图像、文本描述与深度标注信息； 3、设计无偏区域-语言对齐框架，优化深度预测中的语义一致性，探索视觉-语言交互机制在深度预测中的应用； 4、负责模型工程化落地，包括模型压缩、量化、蒸馏及部署优化，使用大模型训推库提升训练与部署效率。
1、主导自动驾驶算法的有损优化研发，核心负责低精度训练、网络结构优化、MTP投机采样等技术的设计、实现与迭代，在可控精度损失范围内，降低模型算力消耗、存储占用，提升推理与训练效率，适配车规级部署需求； 2、深入分析自动驾驶算法的性能瓶颈，结合车规级硬件特性，设计针对性的有损优化方案，协同量化、MTP等技术，实现模型性能与硬件算力的最优匹配； 3、跟踪行业前沿优化技术，开展技术预研与落地验证，输出技术调研报告与优化方案，推动团队技术能力迭代；结合自动驾驶场景特点，优化方案适配复杂真实路况； 4、搭建优化效果评估体系，量化分析模型优化后的精度、速度、算力消耗等指标，建立精度损失阈值标准，推动优化方案的测试、迭代与上车落地，协同测试、工程、硬件团队完成闭环验证； 5、跨团队协作，对接感知、规控、硬件部署等团队，推动优化方案的协同落地。
1、负责自动驾驶系统的核心算法的极致性能优化； 2、负责AI模型在车载平台上加速和调优； 3、负责自动驾驶生成式部署系统的设计、开发与性能优化工作。
1、研发基于 3DGS/NeRF/Diffusion 的传感器仿真技术； 2、研发自动驾驶中的场景重建/场景生成/场景编辑功能； 3、研究和实现基于多种技术路线的高真实性交通流仿真模型开发； 4、解决过程中遇到的算法输出质量、性能问题； 5、研究和实现端到端的闭环仿真系统开发。
1、研发具备高确定性和高复现性的仿真引擎； 2、持续提升仿真引擎运行效率，实现加速仿真。
1、负责基于现有大模型训练框架分析自动驾驶与机器人模型训练链路，包括数据加载、分布式并行、显存占用、通信开销和算子执行等环节，定位性能瓶颈； 2、围绕训练吞吐、GPU 利用率和模型迭代效率开展优化，推动训练周期缩短和训练资源成本下降； 3、结合 PyTorch、Megatron-LM、DeepSpeed 等技术栈，开展分布式训练策略、混合精度、算子融合、通信优化和 CUDA 高性能算子优化； 4、推进训练框架与 AI 平台、调度系统和监控体系协同，建立训练效率、集群算力利用率和任务稳定性的评估机制； 5、探索 AI Agent 在自动化 profiling、瓶颈定位和代码优化建议中的应用，沉淀可复用的训练优化工具链。
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、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、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、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、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。
1、Agent平台架构与核心能力建设 - 主导Agent产品从技术选型到架构落地的全周期建设，打造面向大规模用户场景的智能体服务平台； - 抽象通用Agent能力层，沉淀可复用的任务调度、技能编排、状态管理等基础组件，支撑业务快速接入； - 围绕MiMo基座模型能力边界设计Agent系统架构，确保模型能力到产品体验的高效转化； 2、AI-Native开发与模型能力探索 - 深度实践AI辅助编程（VibeCoding），将大模型作为核心生产力工具融入日常开发全流程； - 前沿探索MiMo模型能力边界，将代码生成、长上下文、多模态理解等基座能力转化为产品侧的差异化体验； - 持续跟踪开源与自研模型迭代节奏，将新模型能力快速集成至Agent系统； 3、Prompt Engineering与推理链路优化 - 构建面向复杂业务场景的Prompt体系与上下文管理策略，最大化基座模型输出质量与稳定性 - 打通模型推理全链路（网关→推理→后处理），与算法团队协同推进模型效果持续调优 - 参与模型微调（SFT/RLHF/GRPO）数据构建与效果评估，为基座模型的Agent能力进化提供工程支撑。
我们正在构建下一代具备自主软件安全分析能力的大模型——能够独立发现操作系统、浏览器及关键基础设施中长达数十年未被检出的零日漏洞，并在无人工干预的情况下生成可执行的漏洞利用链。 核心职责 1、负责设计并执行面向软件漏洞发现的大模型训练流程，包括预训练数据构造、指令精调与 RLHF/RLAIF； 2、研究提升模型在二进制分析、源码审计、模糊测试指导等安全任务上推理能力的方法； 3、构建并维护 Agentic 安全评估框架，设计覆盖 CVE 复现、零日发现、漏洞利用链生成的基准测试集； 4、与红队工程师协作，对模型的进攻性能力进行双用途风险评估与控制； 5、研究长上下文代码推理、跨文件调用链分析、符号执行辅助等关键技术。
将围绕多模态（文本、图像、音频、视频）理解和生成统一的基座大模型的数据、模型结构、统一建模方式、训练与推理优化、深度推理等核心问题展开研究，具体研究内容包括： 1、多模态（文本、图像、音频、视频）数据的收集、合成及数据策略，提升质量、多样性、可扩展性； 2、探索多模态理解与生成统一的建模方式； 3、多模态模型的模型结构的设计与优化，高效的大规模分布式训练和推理系统（云侧和端侧）； 4、研究多模态模型的深度推理范式。
1、大规模语音模态预训练 研究如何用千万小时级别语音数据在百亿级别参数模型上进行高效预训练，有效提取与利用通用声学与语义特征，提升语言理解及语音生成的一致性和自然度。 2、多语言语音理解与生成 研究跨语言语音数据的共享表示方法，提升语音模型对多语言、方言的适配能力。 3、噪声环境及复杂声学场景下的处理能力 研究语音大模型在嘈杂、混响、远场等典型场景下的泛化性。 4、探索高效语音信息压缩方法 研究语音模态压缩方法，以实现长时理解，并适配不同类型的设备（云侧和端侧）的部署需求。
1、设计和实现支持大规模分布式训练的集群和框架； 2、 构建高效的推理框架和算子优化，支持超大规模模型的在线和离线推理需求； 3、研究PD分离、Context Caching、模型量化、推敲编码等推理优化技术。
1、研发家居场景的具身智能软硬件关键技术，作出关键创新突破，包括机械臂软硬件系统、机械臂端到端VLA模型、机器人导航/避障/规划控制算法、世界模型、家居场景3D高精度数字地图等； 2、将如上具身智能软硬件关键技术落地在小米扫地机器人等核心旗舰产品上，提升小米扫地机器人的智能化体验和产品核心竞争力。
当模型规模触顶硬件天花板，真正的突破来自从模型到芯片的协同设计（Co-design）——让模型结构天然适配硬件特性，让芯片架构为模型量身定制。这正是我们在做的事。你将深入 MiMo 大模型的核心，从模型架构到推理效率，再到与自研芯片团队的深度协作，打通从算法到硅片的全链路。 你会做什么？ 1、模型架构设计：参与大模型核心架构的探索与迭代，设计兼顾建模能力与计算效率的架构（如高效 Attention 等）； 2、模型高效推理：研究低比特量化、稀疏化、投机解码等技术，在精度与推理效率之间找到最优解； 3、端到端性能优化：从算子、内存访问模式到系统级调度，推动软硬件协同的极致性能； 4、芯片协同设计：基于对芯片计算特性（数据流、存储层次、互联带宽）的理解，将模型侧的洞察转化为芯片架构的设计指引，与自研芯片团队紧密合作。
1、 参与研究视觉理解和推理的核心技术，包括图像理解与推理、长视频理解与推理、美学理解、空间理解、世界模型等； 2、参与基于视觉理解的Agent系统研发探索，包括GUI Agent等。
1、研发下一代AI驱动的软件工程范式 - 构建面向移动端及嵌入式OS的智能编程系统，探索LLM在代码生成、架构设计、静态分析及测试用例生成等全流程的自治能力； - 研发智能编程辅助系统，实现需求文档→技术方案→代码实现→测试验证的端到端闭环开发。 2、构建软件工程Agent体系架构 - 设计具有记忆、规划与工具调用能力的多智能体框架，实现复杂功能开发的自主决策与执行； - 开发基于强化学习的Agent协作机制，优化代码质量、构建成功率等核心指标。 3、研发超大规模代码检索增强生成系统 - 设计高效的多粒度代码索引结构与语义检索框架，实现亿级代码片段的高精准召回与排序； - 研发代码知识库与LLM深度融合的混合检索技术，提升复杂项目上下文理解与跨文件依赖分析能力。 4、微调和评估软件工程领域专用模型 - 针对IDE补全、对话等场景微调专用小参数大模型，提升代码生成率； - 评估大模型在特定软件工程领域的能力，针对具体研发场景选择适合的模型。 5、前沿技术探索与专利布局 - 跟踪代码大模型、程序分析、AI软件工程等领域国际顶会（ICSE/PLDI/NeurIPS等）最新进展； - 主导技术创新点的专利撰写与学术论文产出。
1、负责探索大型软件工程的AI自进化系统研究。
协同系统可靠性工程师，主导显示和相机的ffr目标、可靠性设计评审、风险闭环、测试问题风险判定、售后分析改善闭环。
1、 负责结构化数据大模型核心算法的前沿技术探索，包括数据合成、预训练、模型优化等； 2、大模型算法数据挖掘与优化，提升数据集质量和多样性，并在海量真实业务数据上继续预训练； 3、 负责模型加速与优化，轻量化设计与处理，包括模型剪枝 / 量化等算法研发。
1、跟踪 Linux mainline 存储 / MM 子系统最新演进（folio、mTHP、large folio、ZNS、FUSE passthrough、io_uring 等），评估落地可行性； 2、调研内存管理、文件系统与存储介质相关领域的最新研究论文，洞察各类“省空间”的方案； 3、针对小米业务负载特征（短视频、游戏、AI Agent 本地化），设计并实现新型压缩 / 去重 / 分层存储方案； 4、构建存储效率量化评估体系（容量、性能、寿命、功耗四维）； 5、向 Linux / AOSP 社区贡献 patch，建立小米在存储方向的技术影响力； 6、与存储原厂共建 OS–Device 协同接口规范。
1、主导手机端侧AI模型的性能优化与能效突破，助力端侧高效的AI推理； 2、从算法、编译器、推理引擎、算子到芯片特性，进行全栈式软硬协同优化； 3、跟踪业界最佳成果，挖掘优化方向，协同论证可行性，优化落地效果； 4、整合米端软件到芯片能力，基于AI模型的特性与瓶颈，推动SoC芯片的定制开发； 5、探索构建GPU/NPU/CPU异构并行方案，拓展端侧AI推理的优化路径； 6、对移动端硬件做深度分析，建立benchmark模型，辅助端侧模型的能效优化。
