顶尖应届-大模型算法工程师（整车大数据与智能诊断方向）-汽车架构

优缺点分析

角色解读

• 在大模型和汽车智能化交叉领域深耕，成为技术专家或架构师
• 向团队技术负责人方向发展，带领项目从0到1并持续迭代
• 积累行业影响力，通过专利、论文或开源贡献成为领域内知名人才
• 利用整车云端大数据，进行关键零部件诊断和健康问题分析，并设计数据驱动方案
• 结合大模型（多模态/Agent）从0到1建设智能诊断场景，包括数据构建、模型训练/微调、评测与迭代
• 推进大模型工程化能力，如训练推理链路、版本管理、稳定性保障，并沉淀可复用组件
• 负责车端/边缘侧轻量化部署与推理优化（压缩/加速/量化），满足实时性和资源约束
• 扎实的编程和工程能力，熟练使用 Python 及 PyTorch/Transformers 等框架
• 大模型相关研究或工程实践，包括训练/微调、RAG、推理优化或 Agent 构建
• 具备将论文/开源方案转化为可上线系统的能力，以及实验设计和离线/线上评测经验
• 跨团队沟通协作能力，能与数据、工程、业务等角色对齐目标并推进交付

申请策略

• 面试前准备一个完整的端到端项目演示，展示从数据到部署的全流程
• 关注小米汽车的技术博客或公开分享，了解团队现有成果和方向，面试时体现对业务的思考
• 突出大模型相关项目经历，尤其是训练/微调、RAG、Agent等实践，附上可量化的成果（如性能提升、部署效果）
• 展示工程能力：Python/PyTorch等框架熟练度，以及从论文到落地的完整案例
• 如有顶级论文或开源贡献，单独列出并说明影响力
• 强调跨团队协作和沟通能力，用具体事例说明如何推动项目交付
• 深入了解大模型推理优化技术（量化、剪枝、蒸馏），尝试在边缘设备上部署轻量模型
• 补充汽车领域基础知识，如车辆诊断协议、信号处理等，可通过公开资料或小项目积累

面试指南

• 采用STAR法则（情境-任务-行动-结果）回答项目经验，重点突出个人贡献和技术难点
• 对于方案设计题，先明确问题边界和约束，再提出可选技术方案并对比优劣，最后给出推荐
• 对于协作问题，强调主动沟通、对齐目标、迭代反馈的流程，体现灵活性
• 请详细描述你做过的一个大模型项目，包括模型选择、训练/微调过程、评测指标和最终落地效果
• 如何将一个大模型部署到车端或边缘设备？谈谈你会考虑哪些优化方法
• 给定一个整车诊断场景（例如电池健康预测），请设计一个基于大模型的解决方案
• 你如何看待多模态大模型在汽车智能诊断中的应用？有什么挑战？
• 在跨团队协作中，如果遇到数据质量或业务需求频繁变更，你如何处理？