高通的Auto Ai Systems Engineer薪资是多少？

该职位薪资范围为 2.5–4.5万/月。

Auto Ai Systems Engineer的工作地点在哪里？

该职位工作地点位于成都市。工作形式为仅现场办公。

高通的Auto Ai Systems Engineer有什么任职要求？

该职位要求本科学历及中级经验工作经验。

高通

Auto Ai Systems Engineer

立即应聘

Auto Ai Systems Engineer

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 2.5–4.5万 · AI 参考估算

成都市

中级经验

本科

全职员工仅现场办公AI算法

AI算法

Adas

Llm

Pytorch

Tensorflow

Vllm

Vlm

嵌入式Ai

模型量化

值不值得投

80综合评分

综合评分 80

前沿AI技术落地、高薪潜力大、技术成长快，但需应对高强度的研发挑战

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。

薪资怎么样

3.5万

比AI算法中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 360 个在招

市场机会

选择不多

成都 · AI算法 · 7 个在招

职位详情

关于这个职位

负责高通Snapdragon Ride平台上的汽车神经网络开发，专注于ADAS和生成式AI功能的性能与精度优化

重点部署和优化大语言模型（LLM）及视觉语言模型（VLM），结合硬件感知技术提升推理效率，构建下一代智能汽车系统的核心AI能力

最低要求

具备C/C++和Python编程经验，熟悉Linux或嵌入式系统

熟悉主流深度学习框架，特别是PyTorch和TensorFlow

优秀的软件开发、分析及问题解决能力

具备深度学习网络设计与实现的实战经验

理解DL/ML数学原理并能解决实际问题

掌握NN训练全流程（数据增强、训练技巧、问题排查、评估报告）

有LLM或多模态模型（VLM/VLA）的微调、优化或部署经验

中英文沟通能力优秀，具备跨团队协作能力

学历要求：工程/计算机相关学士+2年经验，或硕士+1年经验，或博士

工作职责

负责汽车领域神经网络的开发，聚焦ADAS和GenAI功能

利用硬件感知开发与优化概念，全面提升Snapdragon Ride平台上的性能与准确性

部署和优化支持下一代智能汽车系统的大语言模型（LLM）和/或视觉语言模型（VLM）

增强现有系统级解决方案，并基于研究社区最新神经网络创建新架构

针对Snapdragon新一代系统和平台进行模型优化

加强高通AI生态系统的整体实力

优先资格

深入熟悉高性能LLM推理框架（如vLLM, llama.cpp, SGLang, TensorRT-Edge-LLM等）

具备LLM推理加速专长（投机解码、KV Cache管理、注意力机制优化、内存带宽优化）

具备多模态/VLA集成经验（文本-视觉/传感器/动作模型结合，适配嵌入式/ADAS工作流）

在CVPR/ICCV/ECCV等顶级会议发表论文者优先

AI 洞察

优缺点分析

优点

处于AI与汽车电子交叉的前沿赛道，技术壁垒高，职业护城河深
依托高通全球领先的硬件平台，拥有极佳的工程落地场景和资源支持
接触最前沿的LLM/VLA技术，个人技术成长速度快，行业认可度高
嵌入式端侧部署对算力和内存限制严格，优化难度极大，需极强的工程能力
技术迭代极快，需持续高强度学习最新的模型结构和推理加速算法
跨部门协作复杂，需与硬件、驱动、应用等多团队紧密配合
适合具备深厚深度学习理论基础，且对嵌入式系统优化有浓厚兴趣和实战经验的算法工程师

缺点 / 挑战

暂无明显挑战项

角色解读

成为汽车AI算法领域的专家，主导核心模型架构设计
向AI系统架构师发展，统筹软硬协同优化策略
转向技术管理岗位，带领团队攻克更复杂的自动驾驶AI难题
在汽车芯片平台上开发神经网络，优化ADAS和生成式AI功能
部署并加速大语言模型（LLM）和多模态模型（VLM）在嵌入式环境中的运行
结合硬件特性进行模型剪枝、量化和推理加速，平衡性能与功耗
跟踪学术界最新AI进展，将其转化为可落地的工程方案
扎实的C++/Python编程基础，熟悉Linux嵌入式开发
精通PyTorch/TensorFlow及主流LLM推理框架（vLLM, TensorRT等）
深入理解LLM/VLM架构及其在边缘侧的优化技术（量化、KV Cache管理等）
具备数学功底，能解决深度学习中的实际工程问题

申请策略

准备具体的案例，展示如何解决模型在端侧部署时的内存或速度瓶颈
了解高通Snapdragon Ride平台的最新特性，体现对公司业务的关注
突出LLM/VLM在资源受限设备上的部署与加速项目经历
详细列出使用的推理框架（vLLM, TensorRT等）及具体的优化指标（如延迟降低%、显存节省%）
强调C++性能优化能力及对底层硬件（NPU/GPU）特性的理解
深入研究Transformer架构的变体及高效注意力机制
掌握模型量化（INT8/FP8）、剪枝及知识蒸馏等压缩技术
熟悉高通Hexagon NPU或类似DSP的编程接口与优化工具链

面试指南

STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action) -> 结果(Result)，重点突出Action中的技术选型依据和量化成果
原理+实践：先阐述算法/框架的核心原理，再结合具体业务场景说明应用方式
权衡分析：在回答技术选型问题时，从性能、精度、开发成本、维护性等多维度进行对比
请介绍一个你优化的LLM推理项目，遇到了什么瓶颈？如何解决的？
对比vLLM和TensorRT-LLM的优缺点，在你的场景中为何选择前者/后者？
如何在内存受限的嵌入式设备上实现大模型的实时推理？
解释一下PagedAttention或Speculative Decoding的原理及其优势
如何处理多模态模型中视觉编码器与语言模型的对齐与融合问题？