【地瓜机器人】工具链FAE

优缺点分析

角色解读

• 技术深化：在模型量化、算子优化、工具链开发方向成为专家，推动端侧AI性能极限
• 架构升级：从FAE转向算法工具链架构师，设计全流程部署方案
• 业务拓展：积累具身智能和机器人行业经验，向技术负责人或解决方案专家发展
• 搭建机器人端侧AI开发环境，适配工具链并完成工程化部署，确保模型能在硬件上高效运行
• 对深度学习模型进行量化（PTQ/QAT）、浮点定点转换，优化模型的性能和精度
• 适配端侧CNN视觉模型和大模型（LLM/VLM/VLA）的算子，开发低比特量化方案
• 参与推理体系、工具链流程建设，推动具身智能场景规模化落地
• 扎实的Python/C++编程能力，熟悉Linux开发环境和嵌入式AI工程流程
• 深入理解PyTorch/TensorFlow等框架，掌握CNN、Transformer结构及大模型原理
• 精通模型量化实操（PTQ/QAT），具备解决量化掉点、精度性能调优的经验
• 有端侧大模型低比特量化、自定义算子开发、推理框架优化经验者优先

申请策略

• 了解地平线的芯片架构（如BPU）和工具链（如Horizon Toolchain），在面试中展现对产品的理解
• 关注具身智能行业动态，能结合公司业务方向（如机器人）阐述自己的贡献
• 突出模型量化项目经验：详细描述PTQ/QAT的实践过程、量化后精度和性能提升指标
• 展示端侧部署能力：列出使用NPU/GPU等硬件进行模型适配、优化和部署的具体案例
• 强调编程与框架：列出熟练使用的工具链（PyTorch/TensorFlow/TensorRT等），并附上GitHub或项目链接
• 体现大模型经验：如有LLM/VLM/VLA相关部署或优化经验，务必突出
• 深入学习低比特量化算法（如INT4/INT8），了解最新的量化感知训练技术
• 熟悉至少一种推理框架（如TensorRT、ONNX Runtime、OpenVINO），实践模型优化

面试指南

• 项目经验类：采用STAR法则（情境、任务、行动、结果），先说明背景和目标，再讲具体方法（量化方案、工具链、调优技巧），最后用量化数据（精度损失<1%，速度提升2x等）支撑
• 技术问题类：先给出核心原理（如量化对称性、校准数据集、层融合），再结合实际经验说明优缺点和适用场景，最后展示解决问题的思路
• 请详细描述你做过的一个模型量化项目，PTQ和QAT各有什么优缺点？如何平衡精度和性能？
• 如何对端侧大模型进行低比特量化？在量化过程中遇到精度下降如何调试？
• 你对TensorRT和ONNX Runtime的了解？在NPU平台上部署模型和GPU平台有什么不同？
• 如何处理自定义算子的适配和优化？如果模型推理速度不达标，你会怎么分析瓶颈？
• 你对具身智能和机器人端侧AI的现状和趋势怎么理解？地平线在这个领域的优势？
• 复习模型量化核心知识：PTQ、QAT、混合精度、校准方法、量化感知训练等