初速度
高级算法工程师
高级算法工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Cuda
Deepspeed
Megatron
Pytorch
智能驾驶
模型训练优化
深度学习
高性能计算
值不值得投
76综合评分
综合评分 76
自动驾驶核心算法训练优化岗，技术前沿且薪资丰厚，但工作强度可能较大。
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
5万
比算法优化工程师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
73 个在招 · 其中算法优化工程师 2 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 330 个在招
职位详情
关于这个职位
该职位主要负责智能驾驶模型训练优化的研究与落地，通过数据/模型并行、CUDA算子优化等手段提升训练效率
你需要解决模型训练和部署中的工程与性能问题，并负责相关工具链和框架的开发与维护
适合具备扎实深度学习基础和高性能计算经验的算法工程师
最低要求
工作2年以上，计算机/数学/物理/电子工程/自动控制专业硕士及以上学历
思维敏捷，学习能力强
有扎实的深度学习算法基础，熟悉CNN/Transformers等主流模型原理
在检测，分类，推荐，自动驾驶等深度学习算法领域有不错的项目经验
优秀的代码能力，熟练掌握C/C++或Python/CUDA等编程语言
有丰富的代码开发经验和良好的工程规范
能够熟练使用至少一种主流的机器学习框架pytorch，熟悉各种模型/数据并行训练框架优先(deepspeed/megatron)
有深度学习训练框架开发经验的加分
具备扎实的计算机科学功底和编程能力，熟悉计算机体系结构，有高性能计算/高并发开发/系统性能优化经验者优先
具有AutoML/模型推理/训练优化或AI相关大模型/重要项目经验者优先
良好的团队协作能力
创新性强，有良好的动手实现能力，对技术有热情
工作职责
负责智能驾驶模型训练优化的研究和落地，通过数据并行，模型并行，通信优化，CUDA算子优化等手段，大幅提升模型的训练速度与效率
解决智能驾驶模型训练和部署工作中遇到的各种工程和性能问题
负责训练相关的工具链和框架的开发，维护，和优化
优先资格
熟悉各种模型/数据并行训练框架（如DeepSpeed/Megatron）
有深度学习训练框架开发经验
有高性能计算/高并发开发/系统性能优化经验
具有AutoML/模型推理/训练优化或AI相关大模型/重要项目经验
AI 洞察
优缺点分析
优点
- 处于自动驾驶与AI大模型两大热门赛道交汇点，技术壁垒高，个人能力成长快
- 能够接触到大规模分布式训练和底层算子优化，积累硬核工程与算法经验
- 模型训练优化涉及底层硬件和框架，技术难度大，需要持续跟进前沿技术
- 适合对底层技术有热情、具备扎实计算机体系结构基础，且希望在自动驾驶或AI基础架构领域深耕的算法/工程复合型人才
缺点 / 挑战
- 自动驾驶落地要求高，可能面临较大的工程交付压力和性能指标考核
角色解读
- 可向自动驾驶算法专家、AI基础架构架构师或AI训练平台技术负责人方向发展
- 在自动驾驶和大模型爆发的背景下，掌握底层训练优化技术具有极高的行业壁垒和稀缺性
- 负责智能驾驶模型训练优化的研究与落地，利用数据/模型并行、CUDA算子优化等技术提升训练效率
- 解决模型训练和部署中的工程与性能问题，开发和维护训练工具链与框架
- 扎实的深度学习算法基础（CNN/Transformers），精通C/C++/Python/CUDA编程
- 熟练使用PyTorch及DeepSpeed/Megatron等分布式训练框架，具备高性能计算和系统优化能力
申请策略
- 初速度注重技术落地与工程能力，面试中可能会深入考察代码实现细节和系统优化思路，建议提前准备相关技术难点的解决方案
- 突出在分布式训练（DeepSpeed/Megatron）、CUDA算子优化或高性能计算方面的实际项目经验
- 展示在自动驾驶或大模型训练优化中解决具体性能瓶颈的案例及量化成果
- 深入学习CUDA编程与GPU体系结构，熟悉主流大模型训练框架的底层实现原理
- 了解自动驾驶感知/规划算法的部署需求，提升算法与工程结合的能力
面试指南
- 采用STAR法则，重点突出遇到的性能瓶颈（Situation/Task）、采取的底层优化手段（如算子融合、通信重叠、内存优化等）（Action），以及最终量化的性能提升指标（Result）
- 请详细介绍一个你主导的模型训练加速或CUDA算子优化项目，具体提升了多少效率？
- 在分布式训练中，数据并行和模型并行的通信瓶颈通常如何排查和优化？
- PyTorch底层是如何实现自动求导的？在训练框架开发中如何优化内存占用？
- 针对自动驾驶场景，模型部署时对延迟和吞吐量的要求如何影响你的训练优化策略？
- 复习计算机体系结构、CUDA编程模型及主流分布式训练框架（如Megatron-LM）的源码或核心原理
- 准备1-2个自己亲手解决过的复杂工程性能问题的深度复盘
职位点评
薪资福利85
成长发展90
工作生活40
使命价值80
薪资福利
85较高
自动驾驶与AI大模型方向薪资处于市场高位，C轮及以后大型企业能提供具有竞争力的薪酬包。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
90较高
涉及大模型训练优化、CUDA算子开发等前沿技术，技术壁垒高，个人技术成长空间极大。
技术前沿前沿/新兴技术
技术栈CUDA、PyTorch、DeepSpeed、Megatron、CNN、Transformers、AutoML
业务类型profit_center
工作生活
40较低
JD未提及工作模式与WLB信息，但底层训练优化与自动驾驶落地通常面临较高的交付压力，工作强度可能较大。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
致力于智能驾驶技术的研发与落地，推动自动驾驶商业化，具有较高的社会价值和行业前景。
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