- Страна
- США
- Зарплата
- 129 189 $ – 247 038 $
Machine Learning Engineer, Foundation Model
Оценка ИИОтличная вакансия в передовом подразделении DiDi с конкурентной зарплатой и возможностью работать над State-of-the-art технологиями. Высокий балл за масштаб задач и использование новейших стеков (VLM/VLA, Diffusion).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубоких знаний в области Foundation Models (Transformers, Diffusion) и опыта работы с распределенным обучением на тысячах GPU. Требуется владение как Python, так и C++, а также понимание специфики автономного вождения.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенный диапазон ($129k - $247k) полностью соответствует рыночным стандартам Кремниевой долины для инженеров по машинному обучению. Верхняя граница диапазона выше медианы, что указывает на готовность компании платить за исключительную экспертизу.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
About The Company
DiDi's autonomous driving unit was established in 2016 with the mission of developing Level 4 autonomous driving (AD) technology to make transportation safer and more efficient. In August 2019, the unit became an independent company, DiDi Autonomous Driving, dedicated to advanced AD R&D, product application, and business expansion. We believe integrating AD technology into a shared-mobility fleet will generate immense social value. By leveraging DiDi's specialized technology, operational expertise, and integrated ecosystem, we are positioned to build and operate a highly efficient, user-oriented autonomous fleet.
About The Role
The Foundation Model Team focuses on building large-scale foundation models for multi-agent behavior prediction and autonomous vehicle planning. By leveraging DiDi Voyager’s unparalleled driving data, we train highly robust and generalizable deep learning systems that enable safe and intelligent autonomous driving at scale.
Our models serve as the core intelligence of the autonomous driving stack, enabling vehicles to understand complex traffic scenarios, anticipate agent behavior, and make safe and efficient driving decisions.
We operate at the intersection of large-scale machine learning, autonomous driving, and foundation model research, pushing the frontier of multi-agent prediction and planning.
Responsibilities
As a member of the Foundation Model Team, you will:
- Design and train large-scale deep learning models for:
- Multi-agent trajectory prediction
- Behavior and intent prediction
- Planning and decision-making
- Build foundation model architectures (Transformers, Diffusion, Flow-based models, Decision models, VLM/VLA)
- Develop scalable training pipelines across hundreds to thousands of GPUs
- Work with massive real-world datasets and build high-quality data pipelines
- Optimize models for latency, reliability, and on-vehicle deployment
- Collaborate closely with perception, mapping, simulation, and systems teams
- Drive research ideas into production systems used by real autonomous vehicles
Qualifications
- Strong background in machine learning, deep learning, or robotics
- Experience with PyTorch / JAX / TensorFlow
- Solid understanding of modern neural architectures (transformers, diffusion, auto-regressive)
- Strong coding skills in Python and C++
- Passion for building real-world, safety-critical AI systems
Preferred Qualifications
- BS, MS or PhD in Computer Science, Machine Learning, Robotics, or a related field
- Experience in autonomous driving, robotics, or embodied AI
- Experience training large models on distributed GPU clusters
- Experience with trajectory prediction, planning, or decision-making systems
- Publications in top ML / robotics conferences (NeurIPS, ICML, ICLR, CVPR, RSS, CoRL, etc.)
The base salary range for this position is $129,189-$247,038 annually in addition to bonus, equity and benefits. Our salary ranges are determined by role, level, and location. Within the range, individual pay is determined by work location and additional factors, including job-related skills, experience, and relevant education or training.
I acknowledge that prior to submitting this application, I have read and accepted the Privacy Notice for California Residents which is available onhttps://v.didi.cn/AQnxlBa
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- PyTorch
- JAX
- TensorFlow
- Python
- C++
- Transformers
- Diffusion Models
- Deep Learning
- Machine Learning
- Robotics
- Distributed Training
- Computer Vision
Возможные вопросы на собеседовании
Проверка понимания архитектур, упомянутых в описании вакансии.
Как бы вы адаптировали архитектуру Transformer для обработки временных и пространственных зависимостей в задачах предсказания траекторий нескольких агентов?
Вакансия предполагает работу с огромными данными и кластерами GPU.
Опишите ваш опыт работы с распределенным обучением (например, DeepSpeed или FSDP). С какими основными узкими местами вы сталкивались при масштабировании моделей?
Важно для развертывания моделей на реальных автомобилях.
Какие методы оптимизации моделей (квантование, дистилляция, прунинг) вы бы применили для снижения задержки Foundation Model без значительной потери точности планирования?
Проверка навыков работы с данными для обучения моделей.
Как вы подходите к фильтрации и отбору качественных данных из терабайтов сырых логов автономного вождения для обучения Decision Models?
Оценка способности решать специфические задачи AD.
В чем заключаются основные сложности использования Diffusion моделей для генерации сценариев поведения агентов по сравнению с авторегрессионными подходами?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
