均胜电子
具身模型推理部署负责人/工程师
具身模型推理部署负责人/工程师
发布于 2 小时前基层主管/组长
全职员工仅现场办公机器学习工程
机器学习工程
Cuda
Onnx
Ros2
Tensorrt
具身智能
推理优化
模型量化
边缘Ai
值不值得投
薪资怎么样
4.8万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
17 个在招
市场机会
选择面较广
上海 · 机器学习工程 · 约 400 个在招
职位详情
关于这个职位
负责将具身智能模型（感知、任务理解、动作预测、轨迹生成等）部署到机器人端与边缘计算平台，完成 PyTorch→ONNX→TensorRT 的转换、量化与推理性能优化
同时打通模型服务与 ROS2、机器人主控、传感器和执行器之间的链路，并建立模型版本、部署包、监控与回滚等工程规范
最低要求
本科及以上学历，计算机、人工智能、软件工程、嵌入式、自动化、机器人、电子工程等相关专业，3 年以上模型部署、推理优化、边缘 AI 或机器人系统工程经验
熟悉深度学习模型部署流程，具备 PyTorch 模型导出、ONNX 转换、TensorRT/ONNXRuntime 推理部署、精度校验和性能调优经验
熟悉模型推理优化方法，理解算子融合、图优化、FP16/INT8 量化、动态 shape、显存管理、异步执行、CUDA stream、内存拷贝和端到端延迟分析等关键概念
熟悉 Linux 环境开发与部署，具备 Docker、Shell、Python、C++ 等工程能力
能独立完成部署脚本、服务封装、性能测试和问题排查
熟悉 GPU 推理环境和驱动生态，了解 CUDA、cuDNN、TensorRT、NVIDIA Container Runtime 等工具链
有 Jetson、工控机、边缘 GPU 服务器或机器人端部署经验者优先
熟悉 ROS2 或机器人软件系统，理解 Topic、Service、Action、TF、rosbag、传感器数据流、机器人状态反馈和控制链路
有机器人端模型集成经验者优先
理解多模态模型或具身模型的数据输入输出特点，能够处理图像、视频、深度、点云、语言指令、机器人状态、动作序列、末端位姿、关节控制量等复杂数据结构
具备端到端系统分析能力，能够从模型结构、数据预处理、推理引擎、通信链路、机器人控制周期和硬件资源等多个层面分析延迟和稳定性问题
具备训练—部署一致性问题定位能力，能够识别模型在离线评测正常但端侧运行异常的原因，并推动算法侧和工程侧共同修复
具备较好的工程规范意识，能够建立模型版本、部署包、配置、日志、监控、回滚和验收机制，保障部署链路可复现、可维护、可追踪
具备跨团队协作能力，能够与算法、机器人软件、控制、硬件、平台和测试团队沟通接口边界、性能指标和交付标准
工作职责
负责具身智能模型在边缘计算平台、工控机和机器人系统中的推理部署与性能优化，支撑机器人感知、任务理解、动作预测、轨迹生成或策略执行等模型能力落地
负责模型从训练产物到部署产物的转换链路，包括 PyTorch 模型导出、ONNX 转换、TensorRT/ONNXRuntime 推理、量化、精度校验、部署包构建和运行验证
针对模型推理过程进行性能优化，包括算子融合、图优化、batch/sequence 优化、CUDA kernel 优化、显存占用优化、内存拷贝优化、异步推理、流水线并行和端到端延迟分析
负责多模态具身模型的输入输出接口封装，包括图像、视频、深度、点云、机器人状态、语言指令、历史观测、动作序列、末端位姿、关节控制量等数据的预处理、后处理和格式适配
打通机器人系统中的感知、模型推理、任务执行和运动控制链路，设计模型服务与 ROS2、机器人主控、控制器、传感器、执行器之间的接口规范和调用机制
负责模型部署运行时的稳定性建设，包括服务启动、健康检查、超时控制、异常恢复、日志记录、性能监控、资源隔离、故障诊断和自动回滚机制
建立模型版本管理和部署包管理机制，支持不同模型版本、不同机器人型号、不同任务场景和不同硬件平台之间的可追踪部署与回退
与算法团队协作定位训练与部署不一致问题，包括输入归一化差异、坐标系差异、动作空间差异、精度损失、算子不兼容、时序不同步、模型状态缓存不一致等问题
负责部署侧评测与验收标准建设，定义并跟踪模型端到端延迟、吞吐、显存占用、CPU/GPU 利用率、稳定运行时长、失败率、推理结果一致性和机器人任务成功率等指标
参与边缘计算硬件选型与部署架构设计，评估 GPU/CPU/NPU、显存、功耗、散热、驱动、容器环境和系统依赖对模型运行效果的影响
建设模型部署相关工程规范，包括模型导出规范、输入输出 schema、部署目录结构、配置文件、运行脚本、日志规范、性能测试脚本和问题排查手册
跟踪模型推理优化、边缘 AI、机器人端部署、多模态模型压缩和实时推理框架等技术趋势，评估其在具身智能产品中的应用可行性
优先资格
有 VLA、视觉语言模型、多模态模型、机器人策略模型、实时感知模型、自动驾驶模型或工业视觉模型部署经验者优先
有 TensorRT plugin、自定义算子、CUDA kernel、INT8 校准、多模型流水线、模型服务化或端侧推理框架建设经验者优先
有机器人产品现场部署、边缘设备长时间稳定运行、低延迟控制链路集成经验者优先
AI 洞察
优缺点分析
优点
暂无明确优点
缺点 / 挑战
暂无明显挑战项
角色解读
- 具身智能是当前快速增长的方向，推理部署属于可迁移的硬技能，行业需求持续上升
- 技术栈同时覆盖模型压缩、GPU 推理优化与机器人系统集成，技术深度和广度兼具
- 从单模型部署到工程规范、评测体系全流程负责，有利于积累端到端系统能力
- 工作中可直接接触 VLA、视觉语言模型等前沿模型在实机上的落地
- 训练与部署不一致的问题往往隐蔽且排查周期长，需要反复与算法团队对齐
- 需要同时与算法、机器人软件、控制、硬件、平台等多方沟通，接口边界协调成本较高
- 端侧性能与稳定性压力大，模型上线后的异常定位常依赖现场数据和复现环境
- 适合已有模型部署或推理优化经验，愿意深入机器人端系统工程、能承受跨团队协作与长期调试压力的工程师
- 纵向可成长为具身智能/边缘 AI 部署方向负责人，统筹多机器人型号、多硬件平台的部署架构与工程规范
- 横向可向推理框架与编译器、异构计算优化、机器人系统架构等方向延伸
- 该方向处于具身智能落地的关键环节，经验可迁移到机器人、自动驾驶、工业视觉等多个行业
- 把训练好的具身智能模型转换、量化并部署到机器人端与边缘计算平台，让感知、任务理解、动作预测、策略执行等模型在实机上真正跑起来
申请策略
暂无内容
面试指南
暂无内容
Watch Jobs