腾讯云—自驾/具身（时空感知类模型）场景的系统优化研究

课题背景： 随着自动驾驶向L4+级别演进，智驾模型训练面临三大核心困境：模型架构多样性导致传统并行训练框架难以适配BEV、YOLO等异构模型，特殊算子优化成为瓶颈；PB级多模态数据的预处理与训练资源竞争严重制约GPU利用率，拖慢迭代周期；VLM/VLA等大模型的端到端训练需求激增，千卡级集群的稳定性与效率挑战凸显。在具身智能场景下，这些挑战进一步加剧：多传感器融合（激光雷达、摄像头、毫米波雷达）产生更复杂的时空序列数据，强化学习训练需要实时环境交互与仿真回放，端到端决策模型对训练延迟和资源弹性提出更高要求。本课题旨在通过底层框架创新、算子深度优化与资源调度优化，构建面向自驾以及具身智能场景类的训练加速平台，实现训练效率的突破性提升，支撑模型快速迭代与商业化落地。 课题挑战： L4 + 自动驾驶与具身智能场景中，BEV、VLM/VLA 等模型异构性强，多传感器时空数据复杂，传统训练框架难以统一适配。特殊算子优化、PB 级多模态数据预处理开销大，与训练任务资源竞争激烈。千卡级集群训练稳定性、并行效率与强化学习实时交互调度协同难度高，低延迟、高弹性的端到端训练加速方案落地极具挑战。 具体工作： 参与训练框架适配与算子优化，负责多模态数据预处理与特征工程，协助集群资源调度与训练加速模块开发，支撑自动驾驶与具身智能模型高效训练。

1. 01

   熟悉深度学习框架（PyTorch/TensorFlow），了解分布式训练、并行策略优先；

2. 02

   熟悉多模态数据、BEV、VLM 等智驾相关模型，有训练 / 推理优化经验优先；

3. 03

   熟悉 GPU、算子优化、集群调度或数据处理者优先；

4. 04

   在具身智能或自动驾驶领域发布高质量学术论文，能沉下心做底层系统与性能优化。