德赛西威
AI模型部署优化工程师 （2027届-上海）
AI模型部署优化工程师 （2027届-上海）
发布于 7 天前普通员工/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
Ncnn
Onnx
Pytorch
Qnn
Tensorrt
Tvm
推理优化
模型部署
模型量化
值不值得投
74综合评分
综合评分 74
上海车载AI模型部署优化校招岗，多平台量产工具链经验含金量高，薪资与WLB信息未披露
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，方便比较职业起点。
薪资怎么样
2.4万
比算法优化工程师中位数高
发布情况
正常在招 · 7 天前发布
公司情况
这家公司招聘很活跃
18 个在招
市场机会
选择面较广
上海 · 算法优化工程师 · 约 210 个在招
职位详情
关于这个职位
面向2027届校招的AI模型部署优化工程师岗位，工作地点上海，负责深度学习模型在TensorRT、QNN等主流推理引擎的跨框架适配与精度对齐，落地量化、剪枝、蒸馏等模型压缩加速技术，推动AI模型在车载SOC平台高效稳定量产
适合有模型部署调优实战经验的硕士应届生
最低要求
硕士及以上学历，计算机、人工智能、软件工程、电子信息、自动化等相关专业，基础知识扎实
技术基础：扎实掌握深度学习基础理论，熟练掌握量化、剪枝、知识蒸馏、稀疏化等模型压缩加速技术，具备计算图优化、算子融合、推理调优实战经验
框架能力：精通PyTorch框架，熟练掌握QNN、ONNX、TensorRT、NCNN、TVM等至少一种主流推理框架，具备完整的模型转换、部署调试、精度对齐、性能调优全流程实战能力
具备深度学习模型在嵌入式、车载SOC平台的部署调试经验，能够独立排查推理精度丢失、推理延时、内存占用超标等各类工程问题，完成优化方案闭环
逻辑思维清晰，具备较强的问题攻坚能力、学习能力与执行力，拥有良好的跨部门沟通协作能力，可独立推动技术方案迭代落地与规模化复用
工作职责
负责深度学习模型跨框架适配工作，完成模型在PyTorch、ONNX、TensorRT、NCNN、QNN、SNPE、TVM等主流推理引擎的转换、对齐验证与一致性调试，保障模型跨平台推理精度稳定、流程可靠
面向嵌入式、车载SOC平台落地场景，落地各类模型压缩与推理加速技术，涵盖计算图优化、算子融合、模型量化、网络剪枝、知识蒸馏、模型稀疏化等深度优化方案，持续提升模型推理性能
针对模型推理过程中的性能瓶颈、精度衰减、延时过高、显存占用过大等问题，开展深度定位与分析，输出算子优化、模型结构迭代、推理策略调优等改进方案，推动方案落地闭环
跟进端侧推理、模型轻量化前沿技术，结合车载硬件平台特性持续迭代优化方案，保障AI模型在车载场景高效、稳定量产落地
优先资格
拥有英伟达Orin Thor、高通8775/8650/8797、地平线J5/J6等车载芯片量产部署经验，或大模型端侧轻量化、推理优化相关项目、实习经验者优先
AI 洞察
优缺点分析
优点
- 模型部署优化是AI产业化的关键环节，车载场景需求旺盛、人才稀缺
- 接触英伟达、高通、地平线等多平台量产级工具链，工程经验含金量高
- 岗位处于算法与系统交叉点，既懂模型又懂硬件，职业可迁移性强
- 需要同时精通深度学习与底层硬件特性，知识面要求宽且深
- 端侧推理技术迭代快，需持续跟进新芯片与新框架
- 适合有模型部署或推理优化项目经验、工程能力强、希望在车载AI量产方向深耕的硕士应届生
缺点 / 挑战
- 精度与性能的权衡调试繁琐，量产级零容错带来较大责任压力
角色解读
- 从部署优化工程师做起，逐步主导智驾模型的推理引擎选型与性能优化体系
- 向AI Infra、推理引擎内核开发或端侧大模型优化方向纵深发展
- 积累量产项目经验后，可走向跨团队技术负责人或车载AI平台架构师
- 完成深度学习模型在PyTorch、TensorRT、QNN等推理引擎间的转换、对齐验证与一致性调试
- 在车载SOC等嵌入式平台落地量化、剪枝、蒸馏等模型压缩加速方案
- 定位推理性能瓶颈、精度衰减与显存占用问题，输出优化方案并推动闭环
- 跟进端侧推理前沿技术，结合车载硬件特性持续迭代，保障模型量产落地
- 扎实的深度学习理论与模型压缩技术（量化、剪枝、蒸馏、稀疏化）功底
- 精通PyTorch，熟练掌握TensorRT、QNN、TVM等至少一种推理框架
- 具备模型转换、部署调试、精度对齐、性能调优的全流程实战能力
- 有嵌入式/车载SOC平台部署经验，能独立排查精度丢失与延时问题
申请策略
- 面试前了解该公司量产智驾芯片平台（Orin、高通8775等）的部署背景
- 准备一个「性能瓶颈定位-优化-收益」的完整案例，部署岗最看重排查思路
- 突出完整的模型转换-精度对齐-性能调优闭环项目，量化优化前后指标
- 展示TensorRT/QNN/TVM等框架的具体使用与算子优化经验
- 有车载芯片（Orin、高通8775等）部署经验务必前置呈现
- 强调PyTorch功底与嵌入式平台调试能力
- 动手完成一次PTQ/QAT量化全流程并分析精度损失来源
- 学习TensorRT插件开发与计算图优化原理
面试指南
- 技术原理类问题先讲机制，再结合自己项目中的具体数据与调参经验
- 问题排查类问题按「现象复现-逐层定位-根因分析-方案验证」结构回答
- 方案权衡类问题展示对精度、延时、内存三角约束的量化思维
- 模型量化中PTQ与QAT的区别？精度损失如何定位与补偿？
- TensorRT的计算图优化做了哪些事情？算子融合的原理是什么？
- 模型从PyTorch转到ONNX后精度不一致，你会如何排查？
- 知识蒸馏与剪枝分别适合什么场景？谈谈你的实践经验
- 车载SOC上推理延时超标，你的定位与优化流程是什么？
职位点评
薪资福利66
成长发展88
工作生活60
使命价值75
薪资福利
66中等
JD未披露薪资与福利信息，仅说明招聘数量，技术稀缺方向待遇需面试确认。
薪资信号未披露（AI估算：1.8千–3.0万/月）
成长发展
88较高
模型部署优化与端侧推理属车载AI产业化核心环节，岗位覆盖多平台量产工具链，技术纵深与稀缺性突出，但JD未提及培养机制。
技术前沿前沿/新兴技术
技术栈TensorRT、QNN、TVM、模型量化、算子融合、知识蒸馏、端侧推理、PyTorch
业务类型ambiguous
工作生活
60中等
JD未提及办公模式与加班情况，仅强调攻坚与执行力，工作强度无法判断。
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
75中等
AI模型车载量产直接支撑智能驾驶产品落地，技术价值明确，但JD未表述使命导向内容。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs