小米
顶尖应届-算法研究员(Efficient Architecture Design)-自动驾驶
顶尖应届-算法研究员(Efficient Architecture Design)-自动驾驶
发布于 大约 16 小时前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
PyTorch
LLM
自动驾驶
量化
MoE
低精度训练
硬件感知搜索
结构稀疏
高效模型架构
AI 估算 · 25k–45k
自动驾驶算法岗薪资高，小米为巨头企业，北京应届硕士/博士薪资水平较高，结合行业平均估算。
职位详情
关于这个职位
该职位面向顶尖应届生，专注于自动驾驶高效模型架构设计，结合车端芯片约束（如NVIDIA Orin、Thor）进行模型架构优化，探索Efficient Attention、MoE、量化等前沿技术，并与部署团队协作提升模型部署效率
适合对自动驾驶算法与硬件协同有浓厚兴趣的毕业生
最低要求
计算机视觉、机器学习、自动驾驶或NLP等相关方向硕士或博士学历
在高效模型设计方向有研究积累，有顶会论文（CVPR / ICLR / NeurIPS / ICML / MLSys 等）优先
对计算硬件有超出典型算法研究者的理解——能分析 FLOPs 与实际 latency 的差异来源
熟练使用 PyTorch，能独立完成模型设计、训练与性能 profiling
良好的跨团队协作能力
工作职责
研究面向车端约束的智驾模型架构，在设计阶段融入延迟、算力、内存预算，联合优化精度与推理效率
分析车端平台执行特性，将硬件约束抽象为架构设计准则
探索高效架构前沿（Efficient Attention、结构稀疏、MoE、硬件感知搜索等）及量化/低精度技术，提升模型部署友好性
跟踪 LLM 高效架构演进（线性注意力、KV Cache 优化、Speculative Decoding 等），评估其在智驾多模态模型中的迁移价值
与部署及系统团队协作，建立可部署性评估闭环
参与训练效率改进（低精度训练、数据流水线、并行策略），缩短模型研发周期
优先资格
有顶会论文（CVPR / ICLR / NeurIPS / ICML / MLSys 等）优先
AI 洞察
优缺点分析
优点
- 参与自动驾驶核心算法研发，接触前沿高效架构（MoE、量化等），技术含金量高
- 小米为上市公司，平台大，资源充足，且有实际车端部署场景
- 与顶尖团队合作，能积累软硬件协同优化经验，职业起点高
- 自动驾驶领域竞争激烈，需要持续跟踪前沿论文并快速迭代
- 可能涉及较多实验和调试工作，工作强度较大
- 适合对自动驾驶算法与硬件底层结合有浓厚兴趣，有扎实机器学习基础且追求技术深度的高学历应届生
缺点 / 挑战
- 对硬件理解有较高要求，需同时兼顾算法和硬件知识，学习曲线陡峭
角色解读
- 从高效架构研究员成长为自动驾驶算法专家，主导车端模型设计
- 向技术专家或团队技术负责人发展，推动软硬件协同优化
- 可转向端侧大模型、多模态模型等前沿方向，成为AI系统架构师
- 研究面向自动驾驶车端芯片的高效模型架构，如Efficient Attention、MoE、量化等，提升模型推理效率
- 分析NVIDIA Orin、Thor等硬件平台特性，将算力、内存等约束转化为设计准则
- 与部署团队协作，建立模型可部署性评估闭环，并参与低精度训练、并行策略等训练效率优化
- 扎实的机器学习、计算机视觉或NLP基础，熟悉模型压缩与高效架构设计
- 对硬件计算有深入理解，能分析FLOPs与实际延迟差异
- 熟练使用PyTorch进行模型设计、训练与性能分析
- 良好的跨团队沟通协作能力
申请策略
- 在面试中展现对自动驾驶模型部署痛点的理解，提出软硬件协同优化的思路
- 关注小米自动驾驶团队的技术博客或开源项目，准备相关案例讨论
- 突出顶会论文（CVPR/NeurIPS等）及高效模型设计项目经历
- 强调对硬件性能分析的经验，如FLOPs与latency对比、硬件感知优化等
- 展示PyTorch模型设计、训练、profiling的完整项目
- 补充硬件知识，如了解不同芯片（Orin/Thor）架构和性能指标
- 学习模型压缩、量化、蒸馏等部署优化技术
- 熟悉LLM高效架构（线性注意力、KV Cache优化）等前沿方向
面试指南
- 结合具体项目，用STAR法则描述任务、行动、结果，突出硬件感知优化
- 对于技术问题，先给出理论基础，再联系实际硬件约束，提出优化方案
- 请介绍一个你参与的高效模型设计项目，如何平衡精度与推理速度？
- 如何分析模型在具体硬件上的性能瓶颈？请举例说明
- 你对MoE、稀疏注意力等高效架构的理解？它们适用于哪些场景？
- 请描述一次跨团队协作的经历，你是如何沟通技术方案的？
- 你对自动驾驶领域高效模型设计未来的研究方向有什么看法？
- 复习模型压缩、量化、知识蒸馏等经典方法，并关注最近顶会的高效架构论文
匹配度报告
74
综合匹配度
前沿技术、高成长性，但工作强度大、WLB一般。
适合人群
最适合追求技术成长和创新、愿意投入高强度工作的应届生。
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50
使命价值80
薪资福利匹配
75中等
小米上市大厂，薪资待遇良好，但应届生薪资与资深岗有差距，整体有竞争力。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
岗位涉及前沿高效架构、LLM、低精度等，技术成长空间大，且有明确课题和团队协作，发展性极强。
技术前沿前沿/新兴技术
技术栈Efficient Attention、结构稀疏、MoE、量化、低精度训练、LLM、KV Cache优化
成长机会课题内容、打磨能力、探索技术上限
业务类型profit_center
工作生活匹配
50较低
北京现场办公，未提及弹性工作或远程，自动驾驶研发可能涉及高强度工作。
工作模式仅现场办公
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
80较高
自动驾驶是高速增长赛道，对社会有正向影响，岗位创新性强，意义感较高。
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