小马智行
软件工程师 - 端到端模型性能优化
软件工程师 - 端到端模型性能优化
发布于 大约 2 个月前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
软件工程
深度学习
PyTorch
性能分析
CUDA
模型优化
量化
TensorRT
蒸馏
剪枝
AI 估算 · 25k–45k
AI模型优化岗位技术门槛高，市场稀缺，小马智行作为自动驾驶头部公司，薪资竞争力强，预计月薪25k-45k。
职位详情
关于这个职位
该职位专注于AI端到端模型的性能优化，涉及CUDA算子开发和C++日常维护
你将与顶尖团队合作，优化自动驾驶等核心模型，提升推理效率
适合有CUDA和深度学习框架经验的技术人才
最低要求
计算机或相关专业本科及以上学历
扎实的软件工程能力，熟练掌握计算机基础知识
有CUDA编程经验，熟悉TensorRT或其它AI加速库
有C++开发经验
熟悉至少一种深度学习框架（Pytorch优先）
工作职责
负责AI端到端模型的性能分析与优化
负责CUDA算子开发与维护
负责C++日常开发与维护
优先资格
熟练掌握CUDA编程，有CUDA优化经验
有C++相关的性能优化、内存优化经验
有算法竞赛经历
有基于TensorRT的模型优化经验
有模型量化、蒸馏、剪枝等工程经验
AI 洞察
优缺点分析
优点
- 技术前沿：涉及自动驾驶核心AI模型优化，积累稀缺技能
- 平台优势：小马智行为自动驾驶头部企业，项目经验含金量高
- 技术难度高：需要同时掌握CUDA、C++和深度学习，学习曲线陡峭
- 工作强度大：自动驾驶行业竞争激烈，项目周期紧，可能加班
- 适合对GPU计算和模型优化有浓厚兴趣，具备较强编程能力和学习动力的技术型人才
缺点 / 挑战
- 薪资优厚：AI优化岗位薪资水平较高，且公司融资充足
角色解读
- 技术深耕：成为GPU计算或模型优化领域的专家
- 架构方向：转向AI系统架构，负责整体推理引擎设计
- 管理方向：带领团队负责模型优化项目，晋升为技术负责人
- 分析并优化AI端到端模型的性能，提升推理速度和效率
- 开发和维护CUDA算子，利用GPU加速计算
- 使用C++进行日常开发，维护高性能代码库
- 精通CUDA编程和GPU优化技术，熟悉TensorRT等加速库
- 扎实的C++开发能力，有性能优化经验
- 熟悉PyTorch等深度学习框架，了解模型部署流程
申请策略
- 了解小马智行的技术栈和自动驾驶业务方向，在面试中展现对行业的热情
- 突出CUDA优化项目经验，如算子融合、内存带宽优化等
- 展示C++性能优化案例，如使用SIMD、多线程等
- 强调TensorRT或ONNX Runtime的模型部署经验
- 深入学习CUDA编程模型和GPU架构，如warp调度、共享内存
- 练习模型量化、蒸馏、剪枝等压缩技术
面试指南
- STAR法则：描述情境、任务、行动、结果，突出量化指标
- 技术对比：比较不同优化方法的优劣，展示思考深度
- 请描述一次CUDA算子优化的经历，你如何分析瓶颈并改进？
- 如何将PyTorch模型部署到TensorRT？遇到过哪些问题？
- C++中如何实现高效的内存管理？请举例
- 解释模型量化的原理，以及如何选择量化方案？
- 你对自动驾驶中的端到端模型有什么了解？
- 复习CUDA编程模型和常见优化技巧，准备一个完整的优化案例
匹配度报告
69
综合匹配度
自动驾驶头部公司，前沿技术栈，高成长但工作强度可能较大。
适合人群
最适合追求技术成长和职业发展的求职者，对WLB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75
成长发展90
工作生活40
使命价值70
薪资福利匹配
75中等
薪资水平较高，但JD未明确福利，补偿性动机满足较好。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
技术前沿，涉及CUDA、TensorRT等稀缺技能，成长空间大。
技术前沿前沿/新兴技术
技术栈CUDA、TensorRT、PyTorch、深度学习、模型优化
业务类型profit_center
工作生活匹配
40较低
仅现场办公，未提及WLB，自动驾驶行业通常工作强度大。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
自动驾驶是高速增长赛道，对社会有积极影响，但JD未强调使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs