资深模型量化工程师

优缺点分析

角色解读

• 纵向可深耕模型部署与优化领域，成为车端算力优化与量化算法的资深技术专家
• 横向可向自动驾驶全栈算法或系统架构方向发展，统筹从云端训练到车端部署的完整链路
• 开发智能驾驶模型在车端芯片上的量化压缩工具链，将庞大的AI模型压缩至车端芯片可运行的尺寸
• 设计并落地量化压缩方案，在模型体积大幅缩小的同时，尽可能保持甚至提升模型的精度
• 研究不同车端芯片的底层执行逻辑，构建仿真对齐评测机制，确保模型在真实硬件上的表现符合预期
• 扎实的深度学习模型基础，熟悉CNN、Transformers、DETR等主流架构的原理与特性
• 精通模型量化、蒸馏、剪枝等压缩算法，并具备至少2年以上的实际业务落地经验
• 优秀的工程代码能力，熟练使用C/C++或Python，并精通PyTorch框架

申请策略

• 投递时可根据自身偏好选择北京、上海、苏州或深圳的Base，并在简历中明确意向城市
• 了解公司在量产自动驾驶与完全无人驾驶双线并行的业务战略，面试时展现对业务落地的理解
• 重点突出在模型量化、剪枝或蒸馏方面的实际落地项目，量化说明压缩比与精度保持的具体数据
• 展示对特定车端芯片的部署经验及底层优化成果
• 体现优秀的C++/Python工程能力，以及在PyTorch框架下开发自定义算子或工具链的经验
• 提前了解主流车端芯片的架构特点及官方部署工具链
• 复习并实践最新大模型（如Transformer变体）的量化技术及精度对齐方法

面试指南

• 项目经验类：采用STAR法则，重点突出问题定义、方案对比、落地细节与最终收益（压缩比/精度/耗时）
• 技术原理类：从数学原理出发，结合具体代码实现或框架特性，说明为什么某种方法有效，以及边界条件
• 请详细介绍一个你主导过的模型量化落地项目，遇到了哪些精度下降的问题，是如何解决的？
• 针对CNN和Transformer模型，在量化策略上有什么本质区别？如何处理Transformer中Softmax或LayerNorm的量化？
• 如何构建一个支持多芯片仿真对齐的评测机制？如何排查仿真与真机部署时的精度不一致问题？
• 在C++和Python混合编程中，如何优化数据流转与内存拷贝以提升工具链的执行效率？
• 准备1-2个深度的模型压缩与部署项目案例，梳理其中的技术难点与解决思路，确保能应对深挖
• 复习计算机体系结构基础，了解量化在硬件层面的执行逻辑与内存带宽瓶颈