自动驾驶 - 大模型部署优化算法工程师（实习）-2027届

优缺点分析

角色解读

• 在实习期间积累端侧部署经验，未来可向自动驾驶算法工程师或AI系统工程师方向发展
• 掌握大模型优化技术后，可进入头部科技公司从事深度学习引擎或AI芯片相关工作
• 长远可成长为自动驾驶平台架构师或技术专家，负责整车智能系统设计
• 负责将自动驾驶大模型部署到端侧设备，并进行性能优化，确保模型在有限资源下高效运行
• 参与开发模型部署和优化工具链，提升部署效率和自动化程度
• 研究并实现算子优化、投机采样等前沿技术，推动自动驾驶端侧智能升级
• 扎实的Python和C++编程能力，能够高效实现算法和优化逻辑
• 熟悉CUDA编程模型和GPU架构，具备高性能计算经验
• 了解大模型部署流程，对模型压缩、量化、推理加速有一定认识

申请策略

• 申请前建议阅读小米自动驾驶相关技术博客或论文，在面试中展示业务理解
• 准备一个个人项目，将一个大模型部署到边缘设备（如Jetson）并做性能分析，作为作品集
• 突出参与过的模型部署或加速项目，详细描述优化方法和量化收益
• 强调CUDA或GPU编程经验，如有Kernel优化或算子编写经历务必提及
• 展示Python和C++代码质量，如GitHub链接或ACM竞赛经历
• 若有自动驾驶相关课程或项目，也要重点标注
• 深入学习CUDA编程模型，动手实现几个经典算子（如矩阵乘法、卷积）的优化
• 了解主流大模型（如LLaMA、BERT）的部署工具（TensorRT、ONNX Runtime等）

面试指南

• STAR法则：描述情境、任务、行动、结果，重点突出优化思路和量化提升
• 技术问题：先阐明原理，再结合项目经验说明应用，最后总结关键点
• 开放性问题：分层分析，从算法和工程两方面给出方案，体现系统性思考
• 请介绍你参与的一个模型部署优化项目，具体做了哪些工作，取得了什么效果？
• CUDA中shared memory如何优化global memory访问？请举例说明
• 大模型部署时常用的量化方法有哪些？如何选择量化精度？
• 对于自动驾驶端侧场景，你会如何权衡模型精度和推理速度？
• 如果让你优化一个Convolution Kernel，你会考虑哪些方面？