哈啰出行
【英才2027】智驾大模型量化与部署-造父Robotaxi
【英才2027】智驾大模型量化与部署-造父Robotaxi
发布于 大约 5 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Cuda
Pytorch
Tensorrt
大模型
推理优化
模型压缩
模型量化
自动驾驶
值不值得投
81综合评分
综合评分 81
前沿技术挑战大，成长性极强，但WLB未知，适合追求技术深度的校招生。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
33K
比自动驾驶中位数低
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 430 个在招 · 其中自动驾驶 2 个
市场机会
选择适中
上海 · 自动驾驶 · 42 个在招
职位详情
关于这个职位
该职位是哈啰出行自动驾驶（Robotaxi）业务的核心基础架构工程师，专注于解决行业核心痛点：将参数量巨大、计算密集的端到端智驾大模型，高效、低功耗地部署到车规级芯片上
你将通过模型量化、推理引擎优化和软硬协同技术，让自动驾驶模型在真实车辆上运行得更快、更稳定、更省电，直接推动量产落地
最低要求
届海内外高校应届毕业生，计算机、电子工程、自动化、数学等相关专业，硕士及以上学历优先
具备扎实的 C/C++ 编程基础，熟悉 Python，具有良好的代码规范和调试能力
熟悉 Linux 开发环境，了解计算机体系结构、操作系统及编译原理
专业技能（满足以下任意 2-3 项即可）
深度学习框架：熟练掌握 PyTorch 或 TensorFlow，深入理解常见神经网络结构（CNN, Transformer, ViT），有实际的大模型训练或微调经验
模型压缩技术：熟悉模型量化原理（INT8/FP16/BF16），了解 PTQ（训练后量化）和 QAT（量化感知训练）流程，有 TensorRT、ONNX Runtime 使用经验者优先
高性能计算：熟悉 CUDA 编程，了解 GPU 内存层级、并行计算原理
或有 TVM、MLIR 等编译器栈开发经验
部署实战经验：有过将深度学习模型部署到嵌入式设备的实际项目经历
工作职责
大模型量化研究与应用：负责智驾大模型（如 VAD, VLA, QwenVL 等）的低比特量化（PTQ/QAT），探索混合精度量化、稀疏化及结构化剪枝技术，在保证精度的前提下大幅降低显存占用与计算量
高性能推理引擎开发：基于 NVIDIA TensorRT、TVM 或自研推理框架，针对车规级芯片（NVIDIA Thor/Orin, Horizon J5/J6, Qualcomm Snapdragon Ride 等）进行算子开发与性能调优
端到端部署链路构建：打通从 PyTorch 训练框架到车载嵌入式环境的部署全流程，解决动态 Shape、多模态输入对齐、内存管理、运行时调度等工程难题
软硬协同优化：深入理解 GPU/NPU 硬件架构，利用 CUDA/C++ 进行底层算子优化，挖掘硬件极致性能，降低推理延迟（Latency）并提升吞吐量（Throughput）
优先资格
加分项
端到端大模型自动驾驶量产经验，熟悉VLA、ViT、Transformer
学术新星、技术能手：有MLSys、Efficient AI前沿方向工作产出
AI 洞察
优缺点分析
优点
- 工作直接服务于产品量产，能获得从算法到硬件的全链路技术闭环经验
- 公司业务聚焦Robotaxi，项目落地目标明确，技术成果可直接验证
- 技术门槛高，需要同时理解深度学习算法、高性能计算和嵌入式系统
- 车规级芯片约束多（功耗、安全、实时性），优化工作需在严苛条件下进行，难度大
- 自动驾驶行业竞争激烈，技术迭代快，需要持续学习以跟上发展
- 对自动驾驶和AI系统落地有热情，喜欢钻研底层性能优化，且具备较强编程和系统工程能力的应届毕业生
缺点 / 挑战
- 处于自动驾驶与大模型结合的最前沿技术领域，能直接接触行业核心挑战
角色解读
- 技术专家路线：深耕自动驾驶感知决策模型的部署与优化，成为在模型压缩、推理引擎或软硬协同领域的专家
- 技术管理路线：积累经验后，可带领小团队负责某个技术模块或子系统，向技术负责人方向发展
- 行业拓展路线：凭借在大模型与车规级部署上的深厚经验，可转向其他需要AI边缘部署的领域，如机器人、AR/VR设备等
- 研究并应用模型量化技术（如PTQ/QAT），将大型智驾模型压缩成能在车规芯片上运行的轻量版本
- 开发和优化针对特定硬件（如NVIDIA Orin、地平线J5）的高性能推理引擎，提升运行速度并降低功耗
- 构建从模型训练到车载部署的完整工程链路，解决动态输入、内存管理等实际落地难题
- 进行软硬件协同的底层优化，利用CUDA等工具挖掘芯片性能，确保模型在车上实时稳定运行
- 扎实的C/C++和Python编程功底，熟悉Linux系统和计算机体系结构
- 掌握PyTorch等深度学习框架，理解Transformer等大模型原理，并有实际模型训练或调优经验
- 了解模型量化、剪枝等压缩技术原理，或有TensorRT、TVM等工具使用经验
- 具备高性能计算或嵌入式部署经验者优先，如熟悉CUDA编程或将模型部署到边缘设备
申请策略
- 在简历和面试中，强调自己解决“模型性能与硬件资源矛盾”这类工程问题的思考和实践经验
- 可以提前了解哈啰出行在自动驾驶领域的公开技术分享或文章，思考其技术选型和挑战
- 准备一个完整的项目故事，阐述如何从问题定义、技术选型到实现优化的全过程
- 重点突出与模型压缩、量化、推理优化或嵌入式部署相关的课程项目、研究课题或竞赛经历
- 展示扎实的C++和Python编程能力，如有在GitHub上的优质项目或技术博客会是加分项
- 提及对计算机体系结构、操作系统等基础知识的掌握程度，体现系统级思维
- 系统学习CUDA并行编程，并尝试在开源项目中实践算子优化
- 深入实践模型量化工具链，如TensorRT，尝试将一个PyTorch模型转换并优化运行
面试指南
- 采用STAR法则（情境、任务、行动、结果）来组织项目经历的回答，突出自己的技术决策和量化成果
- 对于原理性问题，先阐述核心概念，再结合具体经验或论文内容进行解释，展现理解深度
- 对于开放性问题，可以从算法、工程、系统等多角度分层阐述思路，体现系统化解决问题的能力
- 请介绍一个你做过或将大模型部署到边缘设备的项目，遇到了哪些主要挑战（如精度、延迟、内存）？你是如何解决的？
- 你对模型量化（如INT8量化）的原理理解多少？PTQ和QAT有什么区别？在什么情况下会选择哪种？
- 如果让你优化一个Transformer模型的推理速度，你会从哪些层面（算子、图优化、内存、硬件）考虑？
- 你了解哪些车规级芯片？它们与数据中心的GPU在算子开发和优化上有什么主要区别？
- 为什么想加入自动驾驶行业？你认为让大模型在车上运行的核心难点是什么？
职位点评
薪资福利78
成长发展92
工作生活65
使命价值85
薪资福利
78中等
作为头部互联网/出行公司的校招岗位，薪资在市场中有竞争力，但JD未明确福利细节，整体补偿性满足较好。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
92较高
岗位涉及自动驾驶、大模型、模型量化、高性能计算等前沿技术领域，技术挑战性强，且有从训练到部署的完整链路锻炼机会，发展性极强。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorRT、CUDA、Transformer、模型量化
业务类型profit_center
工作生活
65中等
JD未明确办公模式和WLB相关信息，自动驾驶研发通常需现场办公，生活化动机的满足程度有限且不确定。
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
85较高
自动驾驶是明确的高速增长赛道，该岗位直接解决行业核心量产瓶颈，具有较高的技术价值和社会影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
哈啰出行 的其他在招职位
相似职位推荐
Watch Jobs