生态算法工具链实习生

优缺点分析

角色解读

• 深入掌握自动驾驶算法部署全流程，成长为算法工具链专家
• 可转为正式算法工程师或部署工程师，参与核心项目
• 积累软硬件协同优化经验，向AI芯片或系统架构方向发展
• 负责将算法模型部署到地平线芯片上，通过软硬协同优化提升性能和精度
• 调研并复现业界最新的感知算法，针对智驾场景进行模型结构优化
• 与算法和软件工程师协作，开发和维护算法工具链，加速研发流程
• 扎实的Python和C++编程能力，熟练使用PyTorch框架
• 熟悉主流模型结构（如CNN、Transformer）和常用感知算法
• 了解模型优化技术（量化、稀疏、剪枝）和部署工具（ONNX、TensorRT）者优先

申请策略

• 在申请信中表达对自动驾驶和算法工具链的热情，并提及地平线的技术特色
• 提前了解地平线的芯片架构和模型部署方案，面试中展示学习主动性
• 突出PyTorch、Python/C++项目经验，尤其模型训练、优化或部署相关
• 提及任何模型量化、稀疏、剪枝等优化经历，或ONNX/TensorRT使用经验
• 如果参与过自动驾驶相关比赛或开源项目，一定要详细描述
• 强调沟通协作能力和在快节奏下的执行能力
• 系统学习模型量化（PTQ、QAT）和模型部署（ONNX、TensorRT）原理
• 动手复现一个经典感知模型（如YOLO、BEVFormer）并在芯片上部署

面试指南

• 对于技术性问题，先给出定义或分类，然后结合例子说明步骤和权衡
• 项目经历问题采用STAR法则（情境、任务、行动、结果）
• 开放性问题（如“如何优化”）可先分析瓶颈，再提出多种方案并比较优劣
• 请简述模型量化的常见方法及其优缺点
• 如何优化一个部署在边缘设备上的模型，兼顾速度和精度？
• 描述一次你使用PyTorch实现并优化一个模型的经历
• 什么是TensorRT的工作原理？如何用它加速推理？
• 当模型在芯片上部署精度下降时，你会如何排查和解决？