Horizon Robotics logo
地平线
端到端模型量化&压缩工程师

端到端模型量化&压缩工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 2.5–4.5万 · AI 参考估算
中级经验
硕士
全职员工仅现场办公AI算法
AI算法
Pytorch
Tensorrt
模型压缩
模型量化
深度学习
自动驾驶
边缘计算

值不值得投

80综合评分

综合评分 80

自动驾驶头部大厂核心算法岗,技术前沿,发展性强,薪资竞争力强,WLB中等

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

3.5万

比AI算法中位数低

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 390 个在招 · 其中AI算法 3 个

市场机会

选择面较广

北京 · AI算法 · 约 240 个在招

职位详情

关于这个职位

负责自动驾驶端到端模型的量化与压缩工作,包括权重量化、混合精度量化及模型结构精简

需建立精度对齐基线,解决异常值问题,并与编译器及芯片团队协同确保模型在车端硬件上的高效部署与性能达标

最低要求

硕士及以上学历,计算机、自动化、数学等相关专业

熟悉主流深度学习框架(PyTorch、TensorFlow),具备独立开发与调试能力
扎实的量化与压缩算法基础:熟悉PTQ/QAT、混合精度量化、蒸馏、低秩分解等方法,理解量化误差的来源传播与补偿机制
具备模型部署优化经验,熟悉ONNX、TensorRT、QNN或自研量化工具链中的至少一种
熟练使用Python,掌握C++,具备良好的代码结构与文档编写习惯
较强的沟通能力与逻辑表达能力,具备良好的团队合作精神,能与上下游团队协同推进项目

工作职责

端到端模型量化:承担端到端模型的量化主责,覆盖权重量化、激活量化与混合精度量化(INT8、INT4、FP8等),完成量化方案选型、校准数据构造、逐层敏感度分析,以及针对异常值与长尾分布的精度补偿

模型压缩与结构精简:结合结构化剪枝、非结构化稀疏、知识蒸馏、低秩分解与算子融合,压缩参数规模、显存占用与计算量
在端到端指标约束下给出可部署的压缩配置,并与量化策略联合寻优
量化压缩后的精度对齐与调优:建立量化与压缩前后的精度对齐基线,逐层定位误差来源与跨层累积效应,完成badcase归因与针对性修正,确保模型在不同光照、天气与道路场景下保持鲁棒
部署链路协同:与编译器、芯片工具链与软件团队对齐算子支持范围、量化粒度与硬件约束,确保量化模型可编译、可运行且性能达标
同步输出量化规范与算子约束清单
方法与流程沉淀:跟踪量化与压缩的前沿方法(PTQ/QAT、AWQ/GPTQ、GSQ-RCO类低比特方案、混合精度自动搜索等),评估其在端到端模型上的适用性,形成可复用的评测流程与工具链能力

优先资格

有车端或边缘设备上量产落地的量化压缩经验,主导过至少一类模型的端到端量化交付

熟悉自动驾驶相关算法与模型结构,对图像分类、检测、分割、BEV、Lidar与Transformer模型的量化敏感点有实践经验
了解从算法框架到工具链、编译器、芯片的基本运作模式,熟悉NPU的量化约束与算子特性

AI 洞察

优缺点分析

优点

  • 身处自动驾驶风口行业,技术栈前沿(端到端+量化),地平线作为头部Tier 1平台资源丰富
  • 端到端模型量化是行业难点,需解决精度与性能的平衡,对底层原理和工程调试能力要求极高
  • 适合对AI底层优化感兴趣、具备扎实数学基础和C++工程能力的算法工程师

缺点 / 挑战

暂无明显挑战项

角色解读

  • 可向自动驾驶算法专家、模型架构师方向发展,或转向更底层的AI编译器/芯片适配领域
  • 专注于自动驾驶端到端大模型的轻量化处理,通过量化和压缩技术降低模型对算力资源的需求
  • 需要精通深度学习框架(PyTorch/TensorFlow),熟练掌握模型量化(PTQ/QAT)、剪枝、蒸馏等压缩算法,并具备C++工程落地能力

申请策略

  • 准备关于‘如何处理长尾分布异常值’或‘混合精度自动搜索策略’的技术案例
  • 突出量化压缩项目的实际落地效果(如FPS提升、显存降低比例),展示对特定硬件(NPU/ASIC)的理解
  • 深入研读最新量化论文(如AWQ, GPTQ),熟悉TensorRT等推理引擎的算子实现细节

面试指南

  • 采用STAR法则,重点描述遇到的具体技术瓶颈、采用的量化策略、实验设计过程以及最终的性能/精度指标对比
  • 请详细介绍你做过的项目中,量化带来的精度损失是如何补偿的?
  • 对比PTQ和QAT的优缺点,以及在端到端模型中的应用场景
  • 如何在保证精度的前提下,最大化利用NPU的硬件特性?
  • 遇到模型在特定场景(如逆光)下失效,如何定位是量化问题还是模型本身问题?
  • 复习量化误差理论,熟悉常见模型结构(Transformer, BEV)的量化敏感点,准备一个完整的端到端部署案例

职位点评

薪资福利85
成长发展90
工作生活60
使命价值80

薪资福利

85较高

作为已上市的自动驾驶头部企业,提供具有市场竞争力的薪酬和稳定的职业发展平台,福利体系完善。

薪资信号市场水准 (2.5千–4.5万/月)

成长发展

90较高

岗位涉及最前沿的端到端模型量化技术,技术含量高,成长空间大,能接触行业顶尖的自动驾驶算法与芯片工具链。

技术前沿前沿/新兴技术
技术栈端到端模型、量化、压缩、PTQ/QAT、TensorRT、NPU
业务类型profit_center

工作生活

60中等

未明确提及弹性工作制,但作为大型科技企业,通常有一定的工作灵活性;不过研发岗位在项目攻坚期可能面临一定压力。

工作模式未明确
办公地点科技园/产业园
加班情况未提及(无法判断)

使命价值

80较高

致力于推动自动驾驶技术的普及与安全落地,具有显著的社会价值和行业影响力,符合技术人员的使命感。

行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs