Pony AI logo
小马智行
软件工程师 - 端到端模型性能优化-北京

软件工程师 - 端到端模型性能优化-北京

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.0–5.5万 · AI 参考估算
中级经验
本科
全职员工仅现场办公性能优化
性能优化
Cuda
Pytorch
Tensorrt
模型剪枝
模型蒸馏
模型量化
软件工程

值不值得投

73综合评分

综合评分 73

端到端模型性能优化岗,CUDA/TensorRT/C++技术壁垒高,成长性强,办公与福利信息未披露。

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,方便横向比较。

薪资怎么样

4.3万

比性能优化中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 110 个在招

市场机会

选择不多

北京 · 性能优化 · 10 个在招

职位详情

关于这个职位

该职位聚焦自动驾驶场景中的AI端到端模型性能优化,负责模型性能分析、CUDA算子开发维护以及C++工程开发

适合具备C++、CUDA、TensorRT和深度学习框架经验的工程师,参与模型推理加速与工程落地

最低要求

计算机或相关专业本科及以上学历

扎实的软件工程能力,熟练掌握计算机基础知识
有CUDA编程经验,熟悉TensorRT或其它AI加速库
有C++开发经验
熟悉至少一种深度学习框架(Pytorch优先)

工作职责

负责AI端到端模型的性能分析与优化

负责CUDA算子开发与维护
负责C++日常开发与维护

优先资格

熟练掌握CUDA编程,有CUDA优化经验

有C++相关的性能优化、内存优化经验
有算法竞赛经历
有基于TensorRT的模型优化经验
有模型量化、蒸馏、剪枝等工程经验

AI 洞察

优缺点分析

优点

  • 岗位聚焦端到端模型和推理性能优化,技术栈贴近AI工程落地的核心问题
  • 能积累CUDA、TensorRT、C++性能优化等高价值技能,技术壁垒较强
  • 自动驾驶场景对模型实时性和稳定性要求高,容易形成复杂系统优化经验
  • 加分项覆盖模型量化、蒸馏、剪枝等方向,说明岗位与前沿模型工程实践关联紧密
  • 性能优化需要同时理解模型算法、GPU体系结构和工程系统,学习曲线较陡
  • JD未说明具体办公模式和团队分工,实际工作边界与协作方式需要在面试中进一步确认
  • 适合具备C++和CUDA开发经验、希望深入AI推理加速与高性能工程优化的求职者,尤其适合对自动驾驶和端到端模型落地感兴趣的人

缺点 / 挑战

  • 端到端模型优化往往涉及精度、延迟、吞吐和资源占用之间的权衡,调试复杂度较高

角色解读

  • 可向AI推理性能优化专家方向发展,深耕CUDA、TensorRT、模型压缩和硬件加速
  • 可拓展到自动驾驶端到端模型工程、AI系统架构或高性能计算方向
  • 随着工程影响力提升,可成长为技术负责人,主导模型部署与推理加速体系建设
  • 对AI端到端模型进行性能剖析,定位推理链路中的计算、内存和调度瓶颈,并提出优化方案
  • 开发和维护CUDA算子,提升模型关键算子的执行效率,配合TensorRT等AI加速库完成推理优化
  • 使用C++进行日常工程开发和维护,保障性能优化方案能够稳定集成到实际系统中
  • 参与模型量化、蒸馏、剪枝等工程化优化工作,在精度与性能之间取得平衡
  • 需要扎实的C++开发能力和计算机基础,能够处理高性能系统中的工程实现与维护问题
  • 需要掌握CUDA编程,理解GPU并行计算、算子优化和内存访问优化
  • 需要熟悉TensorRT或其它AI加速库,并至少掌握一种深度学习框架,PyTorch优先
  • 具备模型量化、蒸馏、剪枝或算法竞赛经历会更有竞争力

申请策略

  • 面试前了解端到端模型在自动驾驶中的基本作用,以及性能优化对实时性和安全性的影响
  • 准备用数据说明优化成果,例如延迟降低、吞吐提升、显存减少或算子耗时占比变化
  • 突出C++工程经历,尤其是性能优化、内存优化、系统稳定性或高并发相关项目
  • 明确写出CUDA编程、TensorRT使用、算子开发或推理加速经验,并说明优化前后效果
  • 展示PyTorch或其它深度学习框架经验,最好能说明模型训练、导出、部署或量化流程
  • 如有算法竞赛、模型量化、蒸馏、剪枝经历,应单独列出并说明个人贡献
  • 补强CUDA性能分析能力,熟悉Nsight、profiling方法、线程组织和显存访问优化
  • 熟悉TensorRT模型转换、算子融合、量化和推理部署流程,准备可展示的优化案例

面试指南

  • 性能类问题按“现象—定位工具—瓶颈原因—优化方案—量化结果”的结构回答
  • 项目类问题按“背景、职责、技术难点、个人贡献、最终指标”展开,突出可验证结果
  • 权衡类问题先说明约束条件,再比较方案优劣,最后给出基于实验数据的选择依据
  • 如何定位一个端到端模型推理链路中的性能瓶颈?
  • 你写过哪些CUDA算子?如何优化线程配置、访存模式和内存使用?
  • 使用TensorRT进行模型优化时,遇到过哪些精度或兼容性问题,如何解决?
  • C++项目中做过哪些性能优化或内存优化?如何验证优化效果?
  • 对模型量化、蒸馏、剪枝有哪些实际经验,如何平衡精度和性能?

职位点评

薪资福利78
成长发展88
工作生活45
使命价值76

薪资福利

78中等

JD未披露薪资和福利信息,因此补偿性动机只能基于岗位技术门槛判断。该岗位要求CUDA、TensorRT和C++性能优化能力,通常对应较高技能溢价。

薪资信号未披露(AI估算:3.0千–5.5万/月)

成长发展

88较高

岗位涉及端到端模型性能优化、CUDA算子、TensorRT和模型压缩等方向,技术成长性强。JD还列出多项加分技能,说明对深度工程能力有明确期待。

技术前沿前沿/新兴技术
技术栈AI端到端模型、CUDA、TensorRT、C++、Pytorch、模型量化、模型蒸馏、模型剪枝
业务类型ambiguous

工作生活

45较低

JD仅说明北京全职,未提及远程、弹性办公、双休或加班情况。工作地点和办公模式信息有限,生活化动机满足程度难以判断。

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

76中等

岗位服务于AI端到端模型性能优化,属于智能化系统中的关键技术环节,具有一定技术价值。JD未直接描述社会使命或行业价值导向,意义感主要来自技术挑战本身。

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