中级研究算法工程师

优缺点分析

角色解读

• 在科大讯飞可深入大模型底层技术，成为多模态算法专家
• 可向技术带头人、算法架构师方向发展，或转管理岗
• 积累车载AI经验，未来可转向自动驾驶、机器人等更广阔领域
• 研发车载座舱场景下的视觉感知与多模态大模型算法，包括预训练、微调及强化学习
• 针对座舱垂域任务进行模型开发、数据清洗与效果评测，提升NLU准确率
• 将模型量化、剪枝、蒸馏后在车载芯片上低延迟部署，实现端云协同推理
• 跟踪LLM/VLM前沿论文并转化为量产算法
• 扎实的计算机科学基础，特别是CV、NLP和深度学习
• 熟练使用PyTorch，具备大规模分布式训练经验
• 掌握模型压缩技术（INT8/INT4/AWQ量化、剪枝、蒸馏）
• 熟悉Linux开发环境，有较强的数据结构与算法功底

申请策略

• 了解科大讯飞在智能座舱领域的业务布局，展示对车载场景的理解
• 面试前准备一个完整的大模型项目从研究到落地的案例
• 突出CV或NLP项目经验，尤其是大模型相关（LLM/VLM）的预训练或微调经历
• 强调模型压缩、量化、端侧部署的实际成果，如系统延迟、精度等指标
• 若有大厂实习或竞赛奖项，务必提及
• 补强PyTorch分布式训练和模型量化工具（如AWQ、GPTQ）
• 熟悉车载AI平台如Qualcomm SNPE或TensorRT，有加分

面试指南

• 使用STAR法则：情境、任务、行动、结果
• 突出量化-剪枝-蒸馏的实践，并给出具体数字（如提速倍数、精度损失）
• 结合论文思路与工程实际，展示你从理论到落地的转化能力
• 请介绍一下你在LLM/VLM微调方面的工作经验
• 如何平衡模型精度与推理速度？请举例说明你使用过的压缩技术
• 在多模态融合中，你如何处理不同模态数据不一致的问题？
• 你对车载芯片的算力限制有什么了解？如何优化模型？
• 复习大模型基础（Transformer、MoE、RLHF）