初速度
模型量化
模型量化
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Pytorch
智能驾驶
模型量化
算法落地
边缘计算
值不值得投
76综合评分
综合评分 76
前沿AI量化技术、智能驾驶核心岗、高成长潜力、WLB待确认
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
2.8万
比自动驾驶中位数低
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 220 个在招 · 其中自动驾驶 74 个
市场机会
选择面较广
北京 · 自动驾驶 · 约 210 个在招
职位详情
关于这个职位
负责智能驾驶模型在车端芯片上的量化压缩工具链开发与方案落地，追求极致精度
深入理解端侧执行逻辑，构建多芯片仿真对齐的评测机制，确保模型高效部署
最低要求
计算机相关专业本科及以上学历
熟悉主流的模型量化、蒸馏、剪枝算法，有1年+实际落地相关经验
优秀的代码能力，熟练掌握C/C++或Python，熟悉pytorch
熟悉CNN/Transformers/DETR等主流模型原理
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
负责智能驾驶模型在多种车端芯片平台的量化压缩工具链开发
针对实际业务场景，设计可落地的量化压缩方案，追求极致的压缩后模型精度
深入理解不同芯片的端侧执行逻辑，构建支持不同芯片仿真对齐的评测机制
AI 洞察
优缺点分析
优点
- 处于智能驾驶风口，技术栈前沿（量化/端侧部署），行业头部公司平台好
- 喜欢底层优化、对自动驾驶感兴趣、具备扎实工程能力的算法工程师
缺点 / 挑战
- 需兼顾算法精度与硬件限制，跨芯片平台适配工作复杂度高，迭代压力大
角色解读
- 向高级AI算法工程师发展，深耕端侧AI部署、模型优化及异构计算领域
- 开发用于智能驾驶模型的量化压缩工具链，将大型模型适配到车端芯片
- 精通C++/Python编程，掌握PyTorch框架，熟悉CNN/Transformer架构及量化剪枝算法
申请策略
- 准备展示一个完整的从训练到端侧部署的案例，强调精度保持与推理加速的平衡
- 突出模型量化/剪枝的实际项目经验，展示在特定硬件上的性能优化成果
- 补充了解主流车规级芯片（如地平线、英伟达Orin）的指令集和加速库
面试指南
- STAR法则：情境(Situation)-任务(Task)-行动(Action)-结果(Result)，重点量化优化前后的FPS、内存占用及精度损失指标
- 请介绍你使用过的量化算法（如PTQ/QAT）及其优缺点
- 如何在保证精度的前提下最大化模型压缩率？
- C++与Python在模型部署中的角色差异及性能瓶颈分析
- 面对不同芯片架构，如何进行算子融合与优化？
- 复习深度学习基础理论，熟悉常见模型结构，了解TensorRT或厂商专用SDK的使用流程
职位点评
薪资福利80
成长发展85
工作生活60
使命价值75
薪资福利
80较高
C轮后大型企业，薪资竞争力强，福利体系完善，符合市场对AI算法岗位的薪酬预期。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
85较高
涉及前沿的模型量化与端侧部署技术，技术成长空间大，且处于高速发展的智能驾驶赛道。
技术前沿前沿/新兴技术
技术栈模型量化、蒸馏、剪枝、C/C++、Python、PyTorch、Transformer、DETR
业务类型profit_center
工作生活
60中等
JD未明确提及弹性工作制，智能驾驶行业通常节奏较快，可能存在一定加班压力，但地点选择较多。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
致力于提升智能驾驶安全性与普及度，具有明确的社会价值和技术使命感。
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