端到端算法工程师实习生

优缺点分析

角色解读

• 实习生转正后成为AI算法工程师，深入自动驾驶核心算法研究
• 积累端侧模型优化经验，可向AI芯片编译器或AI基础设施方向拓展
• 在大型项目中锻炼系统级优化思维，未来可成长为技术专家或架构师
• 负责开发模型量化、剪枝等优化技术，提升自动驾驶模型在边缘设备上的推理效率
• 将优化后的模型通过ONNX等格式转换并部署到多种硬件平台（GPU、CPU、自研AI芯片）
• 使用C++和CUDA编写高性能自定义算子，加速模型运算与数据处理流水线
• 与硬件和编译器团队协同，完成从算法到系统的全链路性能调优
• 扎实的深度学习基础，熟悉PyTorch框架及模型优化技术（量化、稀疏化等）
• 精通Python和C++编程，具备CUDA开发和性能分析能力
• 了解计算机体系结构，有GPU/NPU部署经验，熟悉TensorRT等工具
• 出色的问题排查与性能调优能力，能独立解决推理瓶颈

申请策略

• 在简历中明确表达对自动驾驶技术的热情，可附上相关博客或GitHub项目
• 面试前了解小米自动驾驶业务方向，思考自己如何贡献
• 突出深度学习模型优化项目经验，尤其是量化、剪枝或蒸馏相关
• 强调CUDA编程和性能优化经历，最好有具体的加速比或延迟改进数据
• 展示与硬件或编译器团队协作的案例，体现系统级思维
• 列出使用过的工具链（TensorRT、ONNX等）及部署平台（GPU、NPU、边缘设备）
• 提前复习CUDA编程和GPU架构知识，练习编写高性能kernel
• 了解自动驾驶常用的模型架构（如ResNet、Transformer）及其优化方法

面试指南

• 对于技术原理类问题，先给出定义，再结合项目说明实际应用效果
• 对于优化类问题，采用“问题-分析-解决方案-结果”的STAR结构，强调数据驱动
• 对于协作类问题，突出你的沟通角色和具体成果，体现团队合作能力
• 解释量化、剪枝、蒸馏的基本原理，并比较它们的优缺点
• 描述一次你使用CUDA优化算子的经历，如何分析和提升性能？
• 如何将PyTorch模型部署到边缘设备？会遇到哪些挑战？
• 给定一个模型在GPU上推理慢，你如何诊断并优化？
• 你如何与硬件或编译器工程师协作？举一个具体例子