自动驾驶模型Scaling算法研究员

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。