春招刚开始那阵子我后台几乎每天都能刷到类似的提问“自动驾驶多模态大模型算法岗到底在考什么”“听说薪资被吹得很高实际到手多少”“现在从纯CV转过去还来得及吗”说实话这种岗位确实是这几年算法方向里最烫手的选择之一但信息差也特别大。很多人只看到猎头挂出来的高薪数字却不知道面试官到底想看什么、简历里该堆什么、薪资包怎么谈才不亏。今天这篇就把春招期间我摸到的真实情况、面试流程、高频考点、薪资结构一次性讲清楚尽量少说虚的多给能直接用的信息。不管是准备冲春招的应届生还是想转岗的程序员这篇应该都能帮你少走不少弯路。1. 先认清这个岗位多模态大模型在自动驾驶里到底做什么1.1 岗位职责没那么玄乎其实就是“让车看懂并理解世界”很多人一听“多模态大模型”就觉得高深莫测其实落地到自动驾驶场景里核心任务就一句话把摄像头图像、激光雷达点云、毫米波雷达数据、甚至语音和文本指令这些不同类型的信息在模型层面做统一表征和融合推理然后输出给下游规划控制模块使用。传统方案里感知、预测、规划各管各的感知出个3D框预测出条轨迹规划再基于这些中间结果做决策。这种串行pipeline的问题在于信息经过层层压缩早期误差会被逐级放大。而多模态大模型的做法更接近“一个模型打通多个任务”——输入多模态原始数据输出结构化结果甚至直接输出驾驶决策。比如车上同时跑着视觉语言模型做场景理解、感知大模型做BEV环视融合、决策大模型做端到端规划各有分工但共享底层特征。岗位切分上目前市面上大致有四类感知大模型方向负责以视觉为中心的多传感器融合输出3D检测、分割、占用网格等。视觉语言模型方向负责理解复杂场景和交互意图比如理解“前方施工区域临时改道”这种长尾场景。端到端决策方向负责感知输出直接映射到控制信号或者以轨迹形式输出给底层执行。仿真与评测方向负责构建大模型驱动的场景生成、闭环评测用来验证前三个方向的效果。面试前先想清楚你想投哪个方向不同方向考察侧重点差别很大。我见过不少简历上写着“精通多模态大模型”结果面试官问“你做的多模态具体融合在哪一层”就答不上来这种基本一轮就没了。1.2 为什么这个岗薪资高、门槛也高多模态大模型算法岗薪资普遍高于传统CV岗原因并不复杂供给少需求真在涨。自动驾驶行业从L2往L3/L4演进靠的不再是单纯堆规则而是需要模型真正具备“理解”能力这恰好是多模态大模型擅长的事。与此同时国内真正做过量产级大模型部署的人本来就不多既懂大模型训练又懂车端部署约束算力、延时、功耗的人更少。高薪对应的是高门槛。以我了解的春招情况来看头部公司核心团队对候选人的预期通常是扎实的深度学习基础不只会调包要懂loss怎么设计、梯度怎么流动。对大模型训练范式有真实经验至少跑过百卡级别以上的分布式训练或者独立完成过全流程SFT。对自动驾驶任务有深入理解面试官会反复追问你对corner case的处理思路。高质量的论文或竞赛经历或者有含金量极高的量产项目经历二者至少占一个。校招和社招考察权重不同。校招更看重基础、论文、比赛和潜力社招更看重落地经验、工程能力和项目深度。春招主力军是当年应届生和少量转岗社招前者冲hc后者冲pkg节奏完全不一样。2. 春招求职准备技能栈、简历和项目怎么打磨2.1 技能栈优先级排序从基础到进阶怎么学结合近两年真实面经我把技能栈按优先级从高到低排了一下新人和转岗的可以参考这个顺序补第一梯队必须具备面试必问深度学习基础Transformer架构、注意力机制、归一化、残差连接、梯度问题这些是八股重灾区必须能手推细节。BEV感知方案从LSS到BEVFormer再到FB-BEV这类进阶工作每一代的motivation和trade-off都要能讲清楚。多模态融合基础CLIP的对齐思路、LiDAR-Camera融合的时机和层级、特征对齐与失准问题。编程能力Python是底线C是加分项手撕代码要过关LeetCode中等题必须稳定AC。第二梯队卷赢别人的关键大模型训练与微调LoRA、QLoRA、DeepSpeed、Megatron这些工具至少跑通过一个全流程SFT、DPO这些对齐策略要能说出适用场景。世界模型与NeRF/3DGS这些是当前自动驾驶生成式模型的热点懂原理、能复现面试官对你的兴趣会明显提升。端到端方法论UniAD、VAD这些主流方案的核心设计要清楚别只会报名字。第三梯队锦上添花部署优化TensorRT、量化、剪枝懂一点会让面试官觉得你有工程sense。多传感器标定、时间同步这类底层细节往往是项目深挖时展示深度的好切入点。我给转行程序员一个建议不要一上来就啃全部。先保证第一梯队扎实第二梯队挑一个方向做深比如把BEVFormer的代码逐行读懂并复现一遍比泛泛看十个模型有用得多。2.2 简历怎么突出多模态和自动驾驶的匹配度春招简历筛选最大的痛点在于HR不是算法出身他每天看几百份简历真正能抓住他眼球的不是“精通”“熟悉”这类形容词而是项目经历和关键词的匹配度。简历上项目经历的描述我见过太多人写成流水账“负责多模态模型训练优化模型效果。”这种写法等于没写。更有效的写法是用了什么方法基于对比学习的图文对齐方案融合LiDAR BEV特征与图像全局特征。解决了什么问题原有方案在夜间场景下目标召回率下降12%通过引入红外模态特征和自适应融合权重将夜间行人召回率提升至95.4%。结果怎么衡量mAP从42.1提升到48.7推理耗时仅增加3ms满足车端实时性要求。另外说一个很多人忽略的细节简历上写“多模态大模型”相关经历一定要写清楚模态类型。纯NLP背景的人写“多模态”容易被面试官看穿。面试官一追问“你的视觉模态是怎么 token 化的”你如果答不上来整份简历的可信度都会下降。关于简历的呈现策略我建议不同方向准备两到三版每版突出侧重点不同。投感知大模型岗的简历重点写BEV和融合项目投端到端方向的简历重点写规划决策和闭环仿真经历。别用一份简历海投所有公司那种被捞起来的概率太低了。2.3 实习和项目经验不够怎么在春招前弥补如果你现在没有大厂实习也没有顶会论文不代表完全没机会。春招期间我见过不少靠高质量开源项目拿到面试机会的例子。比较有效的路径有两个一是认真复现一个有影响力的开源项目比如复现BEVFormer或UniAD并把复现过程中遇到的技术难点和解决方案整理成技术博客。面试官问起项目细节时你能拿出远超其他人的深度本质上这就算你自己的项目经历。二是参与开源社区的自动驾驶相关项目比如某些开放数据集上的多模态感知benchmark跑通baseline再往上加改进点。哪怕是改进一个小点比如给模型加一个辅助分割头让检测更稳只要你能把动机、实现、收益讲明白就是一段有说服力的经历。最忌讳的是临时抱佛脚去“包装”一段没有真实参与过的实习经历。算法面试深挖项目的时候面试官会把你项目里的每个数据指标、每个设计取舍问到细节上。没有真实经验的人几乎不可能撑过连续三四个追问。3. 真实面试流程拆解从简历筛选到HR谈薪全环节3.1 整体流程与各环节节奏把控春招算法岗的完整面试流程通常是简历筛选 → 笔试/测评 → 技术一面 → 技术二面 → 交叉面/主管面 → HR面 → 定薪定级部分公司还有加面环节。总体节奏大概两到三周如果流程走得特别慢大概率是候选人在排序池里被比较不一定是坏事。有一个点需要提前做好心理准备多个部门并行发面试邀请的情况很常见。同一个公司里不同业务线可能都有多模态大模型算法岗的需求简历被多个部门同时捞起面试安排时间冲突这时候需要自己判断优先级。笔试题型近两年有明显变化。早几年自动驾驶算法岗笔试就是纯算法题现在逐渐增加了“多模态基础大模型基础”的客观题比如简述ViT中patch embedding的计算过程和参数量。给定一批图像和文本对如何构造对比学习的正负样本batch内负样本过大会带来什么问题描述BEVFormer中temporal attention和spatial cross-attention的区别与联系。算法题方面二叉树、动态规划、链表操作、二分、滑动窗口这些高频题型还是要刷。但说实话笔试更多是筛掉完全没准备的人真正的分水岭在技术面。3.2 技术面试高频题与答题思路技术一面通常是未来合作紧密的同事或直属leader面考察重点从“基础是否扎实”到“项目是不是你做的”。我把各家面经里出现频率最高的题做了个归类附上参考的答题路线深度学习基础类说一下Transformer的self-attention为什么需要除以根号d答防止点积结果过大导致softmax梯度消失除以注意力头维度平方根做缩放。手写一下cross-attention的前向计算过程说清楚Q、K、V来自哪里。答Q来自目标模态K、V来自源模态融合过程中要说明特征对齐问题。训练大模型时loss不下降你会怎么排查答先检查数据pipeline、learning rate、梯度是否正常再逐层排查损失函数定义和标签对齐必要时overfit一个batch试试。多模态与大模型类多模态融合在模型哪个位置做比较好early fusion和late fusion各自优劣答early fusion更利于模态间细粒度交互但计算量大对模态对齐要求高late fusion设计简单、便于部署但模态交互不充分。当前主流方案是分层融合。视觉tokenizer怎么选用离散token还是连续embedding答离散token适合与文本统一建模但信息损失大连续embedding表征能力强但需要处理与其他模态的对齐问题。LoRA的原理为什么有效答在冻结原始权重的同时用低秩矩阵近似权重更新量训练参数量大幅下降且推理时可以用合并权重的方式实现零额外延迟。自动驾驶场景类BEV空间里图像特征和LiDAR特征分辨率不一致怎么对齐答通常先在2D图像空间提取多尺度特征再通过反投影到BEV网格LiDAR特征可以直接计算BEV投影。对齐质量评估可以通过透视对齐可视化或下游任务精度间接衡量。说说你对端到端自动驾驶主流方案的理解答可以从UniAD等多任务方案切入说明感知、预测、规划如何共享特征再提一下当前局限比如可解释性、闭环训练难等问题。夜间、雨雾等恶劣天气下多模态融合最常遇到什么问题答一是各模态退化程度不一致图像退化严重但LiDAR相对稳定二是传感器噪声特性变化导致融合权重失效。常见解法是引入不确定性感知的融合权重或模态dropout增强。答题的通用原则很简单先给结论再展开推导最后落到项目或数据上。面试官不只听你的答案也在听你的思考方式。3.3 项目深挖环节的“夺命连环问”项目深挖是最容易暴露真实水平的环节。面试官通常手握你的简历从项目背景开始往里一层层追细节。我整理了一份模拟追问链你们可以拿去自测问你这个项目里用的多模态融合是哪种方案——你答特征拼接。 问拼接前后特征分布不一致怎么处理的——你答做了layer norm。 问为什么用layer norm而不是batch norm——你要能解释transformer架构里layer norm优于batch norm的原因。 问你的融合比baseline涨了多少涨的点主要来自哪个模态——你要有消融实验数据支撑。 问如果只用其中一个模态效果下降多少为什么——你要能分析模态的重要性和冗余度。这一串下来简历水分有多少基本就清楚了。应对方法只有一个项目里每一个数字、每一个设计决策都要能讲出实证结果和逻辑推演。你甚至可以主动说出“其实试过另一种融合方式效果掉了两个点我分析是因为……”这种坦诚加分析能力在面试官眼里是明显的加分项。3.4 主管面和HR面的变数与注意点交叉面或主管面的风格差异很大。有的主管喜欢聊宏观趋势“你怎么看大模型在自动驾驶的未来格局”有的主管非常实战“假设给你三个月让你在车上部署一个视觉语言模型你从哪开始”我遇到这类问题的应对思路是尽量把你的思考框架外化不要只给结论。宏观题可以按“市场规模约束→技术路线分歧→量产落地节奏”这个框架拆。实战题可以按“需求分析→数据准备→模型选型→训练调优→部署优化→闭环验证”这个顺序讲。HR面表面上聊的是薪资期望、入职时间、个人情况实际上是在考察你的稳定性、沟通能力和与企业文化的匹配度。有几个常见问题要注意“你为什么选择我们公司”千万别答“因为薪资高”。可以从业务布局、技术路线、量产进展等角度切入。“你目前手里有什么offer吗”建议如实说但不要过度炫耀也不要贬低其他公司。可以说手里有几个在推进中的机会但更看重技术方向和成长空间。“你对加班怎么看”别急着表忠心说“随便加”也别直接说“不接受”。比较稳的表达是根据项目节奏配合但对长期无意义的加班持保留态度。4. 薪资全揭秘多模态大模型算法岗到底能拿多少4.1 校招薪资包大盘总包构成与真实区间很多人对薪资的理解就是月薪乘以12但实际上算法岗的薪资包构成远比这个复杂尤其是头部公司的大模型方向。一个完整的校招offer通常包含月薪一般按15-16薪计算少数公司有18薪签字费一次性发放通常在1-8万之间股票/期权分四年归属入职第一年只能拿到四分之一人才补贴和房补分城市和公司每月几百到几千不等绩效奖金通常挂在年薪总包之外是否保证拿满需要问清楚拿2025年春招来说自动驾驶多模态大模型算法岗的base大致区间如下不针对特定公司综合各家数据普通批offer月薪28-35k15薪左右总包约42-53万签字费1-5万。学历要求通常是优秀硕士或本科竞赛/论文突出。SP offer月薪35-42k总包约53-64万签字费5-8万偶尔配少量股票。能拿到SP的候选人通常在顶会论文或实习产出上有明确亮点。SSP offer月薪42-50k起总包65万以上签字费8万以上配股票。这类offer主要给有顶会一作或量产项目核心贡献者。不同城市差异很大。北上深杭的薪资是上面这个区间其他城市普遍打八折甚至七折但生活成本也明显更低。4.2 社招和不同公司类型之间的薪资差异社招定价逻辑和校招差异很大核心变量是岗位稀缺性匹配度和当前薪资基数。从春招市场上看具备完整量产经验的算法工程师跳槽薪资涨幅普遍在15%-30%之间。如果你是从纯NLP或纯CV方向切到自动驾驶多模态薪酬倒挂的可能性也真实存在因为过去的经验不完全匹配公司不一定愿意直接按满格给。不同公司类型也给个参考造车新势力给钱最大方整体pkg竞争力强股票部分占比高但波动性也大。适合追求上限、能接受高强度的候选人。头部科技公司自动驾驶部门base高、稳定性好股票相对扎实面试难度也高普遍要求“技术深度落地能力”双达标。传统车企转型部门base相对保守胜在加班少、稳定性高公积金和福利完善适合追求工作生活平衡的人。Tier 1/供应商薪资介于两者之间项目节奏跟车型周期走年终奖浮动较大。另外提醒一个容易被忽略的点总包里“保证”和“非保证”的部分一定要问清楚。有些公司习惯把绩效奖金算进总包对外宣传但实际上绩效拿不满C就没了。面试阶段来回沟通薪资期望时可以礼貌问到“总包构成里哪些是保证性的、哪些是绩效浮动的”这是合理问题正规公司不会回避。4.3 谈薪技巧与避坑经验谈薪这件事很多应届生不敢谈觉得有个offer就不错了。实际上算法岗尤其是大模型方向的定薪弹性比你想象中大得多。几个实操建议手里有另一家offer再谈同等水平下竞争力完全不同。当然前提是别编造offer背景调查阶段很容易穿帮。报期望薪资时给区间不给死数比如“我期望总包在55万到60万之间”给自己留谈判空间。问清楚签字费的发放条件和股票归属规则有些公司的股票要满一整年才开始归属提前离职白干有些签字费入职满三个月就发灵活性完全不同。关注薪资之外的价值比如所属团队的技术实力、数据规模、算力资源这些对个人成长的长期影响有时比多几万块更值得考虑。我在整个春招陪跑过程中见过最可惜的一种情况候选人技术面评价很高但HR面期望薪资报得太高导致offer流程直接被卡。建议提前了解目标公司该级别的常规带宽别漫天要价也别自降身价。5. 常见问题与避坑经验春招路上最容易被忽略的细节5.1 简历被挂、面试被刷的常见原因结合真实反馈来看简历被挂通常不是因为技术不行而是输在匹配度表达上。一个是关键词缺失多模态、大模型、BEV、端到端这些词如果简历里根本没出现HR检索关键词时你直接就被筛掉了。另一个是项目描述太空泛看不出你在团队里的贡献和模型的真实收益这种情况技术面试官在筛选时也会犹豫。面试被刷的高频原因主要有四类基础不扎实Transformer相关细节答不清晰或者让手推公式就卡住。这是最可惜的因为完全可以通过准备弥补。项目深度不够简历写了两三个项目但一追问细节就“这部分是同事做的”“我主要负责调参”面试官很难给你高分。代码能力不过关开视频写代码压力确实大但该过的题没过就是没过平时多练无参考环境写代码的场景。表达逻辑混乱技术能力不错但说不清楚自己的方案和思路让人怀疑你未来在团队里的协作效率。建议面试前做两到三次完整模拟面试把表达练顺。5.2 春招时间线策略与信息差利用春招不等于“等到春天再投”。实际上很多公司的提前批在春节前就启动了正式批次集中在3月到4月但优质hc往往是提前批就锁定的。春招期间一个很重要的策略是永远在时间窗口的首端投递而不是等所有信息都收集齐了再动手。信息差是春招期间非常关键的一个维度。一些公司内部岗位是冷启动状态挂在官网但曝光量极低直接投递反而命中率高。还有一些团队扩招期间会对学历和论文要求适度放宽。这些信息散落在各种渠道里需要自己花时间挖掘。建议不要只在招聘软件上海投。可以把目标公司列一个清单关注他们的招聘公众号、官方技术博客上面经常会提前放出技术方向解读和面试建议里面往往藏着面试官真正在意的线索。参加行业技术社群也有帮助但注意别伸手就要别人的内推码先展示你对岗位的理解和技术热情内推自然会来。5.3 心态调整与技术护城河春招周期长、消息反馈慢两个月没消息是常有的事。焦虑是正常的但要控制住 “海投后躺平等通知” 的被动心态。投递完成后面试前对公司的业务布局、技术路线、量产车型做针对性准备面试后及时复盘记录问题、补充薄弱点这些动作比焦虑有效得多。从技术护城河的角度看我的核心建议只有一条你得有一个能讲30分钟的深度项目。这个项目必须是你亲手搭建、亲自调过的里面每一个指标异常你都能说出原因。其他所有技能都只会影响你的薪资上限但这个项目决定你能不能拿到入场券。写在最后的一点个人体会前后帮很多人看过简历、模拟过面试我最大的感受是这个岗位的竞争确实激烈但远没有到神话的程度。它考察的无非是基础扎实、项目扎实、表达扎实三件事而这三件事都靠时间堆出来。春招难免焦虑迷茫但只要准备得够细、聊得够诚实最终都会遇到匹配的团队。最后分享一个实用技巧面试完的24小时内趁记忆还热把面试官的所有提问按“基础/项目/coding/场景”四类记录下来整理成自己的面经库。多面几轮之后你会发现翻来覆去就是那些东西面熟了也就成了。