中联重科
多模态大模型算法工程师
多模态大模型算法工程师
发布于 12 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Clip
Cuda
Pytorch
Rknn
Sam
Tensorrt
多模态大模型
模型量化
边缘部署
值不值得投
66综合评分
综合评分 66
前沿多模态大模型与边缘部署交叉岗，技术成长强，办公模式与薪资信息未明。
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
3.0万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
7 个在招 · 其中机器学习工程 3 个
市场机会
选择不多
长沙 · 机器学习工程 · 7 个在招
职位详情
关于这个职位
该职位负责工程机械边端多模态大模型的算法开发与部署，涵盖模型训练、推理加速、剪枝量化等轻量化优化，并将大模型输出结果打通到整车电控与运动控制系统
需要具备视觉大模型、图文多模态落地经验，熟悉 TensorRT/RKNN 等边缘部署工具，能在车载边缘硬件上解决算力、功耗与延迟的工程问题
最低要求
计算机、机器人、机械、自动化等专业，硕士以上学历、博士优先
精通大模型基础：包含但不限于 Transformer、LLaMA、Qwen、CLIP、SAM、多模态大模型架构，理解预训练、微调、LoRA、QLoRA 轻量化方案
具备视觉大模型、图文多模态落地经验，能基于开源大模型做行业微调、领域适配
掌握大模型推理优化、模型轻量化、量化压缩，适配车载边缘端
熟悉 Python、PyTorch/TensorFlow，熟悉 CUDA 推理、模型部署框架
能将大模型用于工地语义分割、作业目标识别、复杂工况理解，弥补传统感知在极端场景的短板，有自动驾驶和机器人领域应用经验优先
工作职责
负责工程机械边端大模型算法开发、模型训练、推理部署工地场景理解、视觉大模型增强感知、点云 + 图像 + 文本多模态解析作业环境
使用 TensorRT、TNN、RKNN、NPU 完成模型加速，实施剪枝、蒸馏、量化等轻量化优化工作
基于车载边缘硬件平台完成算力资源调度、整机功耗调优，解决端侧模型推理延迟不足、算力紧张、功耗过高等工程问题
开展 AI 大模型推理模块与整车电控、运动控制、电液控制系统联合调试，实现大模型输出结果到设备控制指令的通路打通
对接算法研发团队，承接各类视觉、决策大模型并完成工程落地，跟进边缘大模型部署新技术开展预研
优先资格
博士优先
有自动驾驶和机器人领域应用经验优先
AI 洞察
优缺点分析
优点
- 技术栈前沿，覆盖多模态大模型与边缘推理部署，技能含金量高
- 算法与整车电控、运动控制的联合落地，能积累难得的软硬件协同经验
- 工程机械真实作业场景数据丰富，为模型落地提供实践土壤
- 边端算力、功耗、延迟受限，工程优化难度大
- 需同时理解算法与电控/液压等跨领域系统，学习曲线较陡
- 适合具备大模型与视觉落地经验、愿意深耕边缘部署与工业 AI 交叉领域、动手能力强的算法工程师
缺点 / 挑战
- 工业现场场景复杂，模型泛化与极端工况处理挑战较大
角色解读
- 纵向可成长为边缘 AI/大模型部署方向的资深算法专家或技术负责人
- 横向可拓展至自动驾驶、机器人感知与控制等相邻领域
- 随着边端大模型在工业场景落地，具备跨算法-硬件-控制复合能力的人才稀缺度高
- 负责工程机械边端多模态大模型（点云+图像+文本）的算法开发、训练与推理部署
- 使用 TensorRT/RKNN/NPU 等工具做剪枝、蒸馏、量化等模型加速与轻量化优化
- 在车载边缘硬件上做算力调度与功耗调优，并与整车电控、运动控制系统联合调试打通控制通路
- 扎实的大模型基础：Transformer、LLaMA、Qwen、CLIP、SAM 及多模态架构，熟悉预训练、微调、LoRA/QLoRA
- 视觉大模型与图文多模态的落地经验，能基于开源大模型做行业微调与领域适配
- 模型推理优化与量化压缩能力，熟悉 Python、PyTorch/TensorFlow、CUDA 推理与部署框架
- 将大模型用于语义分割、目标识别、复杂工况理解的工程能力
申请策略
- 提前了解中联重科的工程机械业务与智能化/电动化战略，理解岗位的业务价值
- 准备展示从模型研发到设备控制闭环的完整落地案例
- 突出多模态大模型（CLIP/SAM/LLaMA 等）的训练、微调与落地项目经验
- 强调模型轻量化与推理加速实战，如 TensorRT/RKNN 量化部署、剪枝蒸馏的量化收益
- 展示边缘端算力/功耗调优与延迟优化的具体成果
- 如有自动驾驶、机器人或工业感知经验应重点呈现
- 补强 CUDA 编程与主流推理框架（TensorRT、ONNX、RKNN）的工程实践
- 熟悉边端硬件（NPU/车载平台）的算力调度与功耗调优方法
面试指南
- 用 STAR 结构讲清项目背景、方案选型、量化收益与最终指标
- 针对优化类问题给出「问题—方法—效果数据」的闭环叙述
- 跨系统落地问题强调工程化思维与安全兜底设计
- 请介绍一个你做过的多模态大模型训练与落地项目，遇到过哪些坑？
- 在边端算力受限的情况下，你如何做模型量化、剪枝与蒸馏，效果如何？
- 如何用 TensorRT/RKNN 完成部署并优化推理延迟？
- 大模型输出如何稳定地转化为设备控制指令，你如何处理安全与鲁棒性？
- 你如何把 CLIP/SAM 等模型适配到工地场景？
职位点评
薪资福利62
成长发展82
工作生活52
使命价值60
薪资福利
62中等
JD 未披露薪资与福利，作为制造业企业的 AI 算法岗，薪酬竞争力需面谈确认，稳定性相对较好。
薪资信号未披露（AI估算：2.0千–4.0万/月）
成长发展
82较高
多模态大模型叠加边缘部署与整车控制联动，技术深度与跨领域广度兼具，成长空间大。
技术前沿前沿/新兴技术
技术栈多模态大模型、Transformer、LLaMA、Qwen、CLIP、SAM、LoRA、QLoRA、TensorRT、TNN、RKNN、NPU、CUDA、PyTorch
业务类型ambiguous
工作生活
52较低
JD 未提及办公模式与作息，岗位涉及现场联合调试，工作节奏存在一定不确定性。
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
60中等
将大模型应用于工程机械实际作业场景，具有产业智能化价值，社会影响力中性偏正向。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
中联重科 的其他在招职位
相似职位推荐
Watch Jobs