大疆
中/高级机器学习算法工程师（优化平台）
中/高级机器学习算法工程师（优化平台）
发布于 2 天前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
软件工程
CUDA
量化
TensorRT
大模型
QAT
PPQ
SNPE
稀疏
Winograd
AI 估算 · 35k–55k
高级算法岗，大疆平台，深圳市场，技能稀缺，薪资处于行业高端。
职位详情
关于这个职位
该职位负责设计与开发神经网络量化压缩工具，包括大模型量化压缩工具，并协同业务算法团队优化工具效能
适合具有AI压缩工具链开发经验、熟悉硬件加速方案的算法工程师
最低要求
硕士及以上学历，4年及以上AI压缩工具链设计和开发经验
具备量化/稀疏/Winograd等硬件加速方案的工具开发经验
逻辑清晰，学习能力强，具备良好沟通、团队协作能力和技术项目管理能力
工作职责
根据芯片特性，例如量化、稀疏、Winograd等，设计和开发NN量化压缩工具
负责大模型量化压缩工具的设计和开发，参与端侧大模型落地交付
协同业务算法团队，持续优化工具痛点，提升工具效能
优先资格
熟悉QAT工具的设计和开发，熟悉编译器量化方案，熟悉大模型量化工具，熟悉业界主流大模型量化方案
具备NNCF/TensorRT/SNPE/AIMET/PPQ等量化工具开发经验，CEVA/TI/高通等DSP上算法部署，AMD/Adreno/Mali等GPU上算法部署，CUDA/Triton优化经验
AI 洞察
优缺点分析
优点
- 大疆平台稳定，技术积累深厚，能接触到行业前沿的芯片-算法协同技术
- 职位方向聚焦AI基础设施，属于高价值领域，未来需求持续增长
- 薪资竞争力强，福利完善
- 技术门槛高，需要同时掌握算法和硬件知识，学习曲线陡峭
- 适合有扎实AI压缩背景、热衷于底层优化和工具开发、追求技术深度的工程师
缺点 / 挑战
- 工作强度可能较高，项目交付压力大
角色解读
- 从高级工程师发展为算法专家或技术负责人
- 可向芯片-算法协同方向深耕，成为AI基础设施领域专家
- 积累大模型部署经验，向端侧AI或自动驾驶等热门领域拓展
- 基于芯片特性（如量化、稀疏）开发NN压缩工具，提升模型部署效率
- 设计大模型量化压缩工具，支持端侧落地
- 与业务算法团队协作，持续优化工具性能和用户体验
- 扎实的AI压缩算法基础，熟悉量化、稀疏、Winograd等技术
- 精通至少一种主流量化工具（如TensorRT、SNPE、PPQ等）
- 有CUDA或Triton优化经验，熟悉硬件加速方案
- 良好的编程能力和工程实践
申请策略
- 研究大疆产品线（如无人机、车载）中对AI模型的需求，在面试中展示理解
- 准备一个完整的技术方案介绍，展现系统设计能力
- 突出在量化/稀疏/Winograd等技术的工具开发经验，附上具体项目成果
- 强调使用过的主流工具（如TensorRT、SNPE）及优化效果
- 展示大模型量化或端侧部署经验，若有开源贡献更好
- 补充QAT工具设计和大模型量化方案的实践经验
- 熟悉CUDA/Triton编程，提升底层优化能力
面试指南
- 从问题背景、技术方案、实现细节、效果评估四个维度展开
- 强调数据支撑和对比实验，体现工程思维
- 结合具体案例，展示解决问题的逻辑
- 请详细解释你设计过的量化工具，如何处理精度和速度的平衡？
- 比较不同量化方案（PTQ vs QAT）的优缺点及应用场景
- 如何针对特定芯片（如高通DSP）优化模型推理性能？
- 大模型量化中常见的问题有哪些？如何解决？
- 复习量化基础理论，包括定点数、校准方法等
匹配度报告
71
综合匹配度
AI压缩方向高薪技术岗，前沿技术栈，成长空间大但WLB一般。
适合人群
最适合追求技术深度和职业发展的求职者，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值60
薪资福利匹配
85较高
薪资在深圳市场处于高端水平，大疆福利完善，但未明确提及具体薪酬，属于偏高水准。
薪资信号偏高 (35K-55K/月)
成长发展匹配
90较高
岗位涉及前沿AI压缩技术和大模型部署，技术挑战大，成长空间充足。但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈量化、稀疏、Winograd、QAT、大模型、TensorRT、CUDA
业务类型ambiguous
工作生活匹配
50较低
未提及弹性办公或远程，推测为现场办公；大疆工作强度可能较高，未明确WLB信号。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
60中等
大疆在无人机和自动驾驶领域有社会价值，但岗位偏工具开发，直接社会影响一般。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs