地平线
自动驾驶算法实习生（大模型与量化压缩方向）
自动驾驶算法实习生（大模型与量化压缩方向）
发布于 2 天前实习/见习
南京市
无经验要求
实习生
仅现场办公
硕士
研究与开发 (研发)
Ptq
Pytorch
Qat
Tensorflow
Tensorrt
Vla
Vlm
大模型
自动驾驶
AI 估算 · 5k–10k
实习生薪资，大厂自动驾驶方向，南京地区硕士/博士实习生标准，考虑技术难度
职位详情
关于这个职位
该实习岗位聚焦自动驾驶领域的大模型与模型量化压缩方向，你将参与视觉语言模型（VLM）在自动驾驶场景下的预训练与微调，研究并落地先进的量化算法（如PTQ、QAT），并配合工程团队完成模型端到端部署
适合对自动驾驶算法和模型优化有浓厚兴趣的硕士/博士在读同学
最低要求
教育背景：计算机、自动化、机器人或数学相关专业在读硕士/博士
编程功底：精通 Python，熟悉 C++，具有扎实的 PyTorch/TensorFlow 开发经验
算法基础：
a.熟悉常见的视觉骨干网络及 Transformer 架构
b.深入理解量化原理（如剪枝、蒸馏、混合精度训练）
c.了解 VLM/VLA（如 CLIP, LLaVA, RT-2 等）的基本原理
领域经验（满足其一即可）：
a.有自动驾驶感知（检测、分割、多视角融合）项目经验
b.有大模型高效训练/微调（LoRA, DeepSpeed, Megatron）经验
c.有 TensorRT, ONNX Runtime, 或 TVM 等部署工具链使用经验
软素质：具备优秀的逻辑思维、英语文献阅读能力，以及解决“玄学”掉点问题的耐心
工作职责
大模型研发与优化：参与视觉语言模型（VLM）或视觉-语言-动作模型（VLA）在自动驾驶场景下的预训练、微调（SFT）及指令遵循能力优化
量化算法实施：针对 Transformer/Diffusion 等架构，研究并落地先进的量化算法（如 PTQ、QAT、FP8/INT8/INT4 量化），确保模型在有限算力下保持精度
算法端到端部署：配合工程团队，将复杂的感知或决策模型转化为高效的推理引擎，解决量化掉点、算子融合等实际问题
前沿技术跟踪：调研并复现相关的顶会论文（CVPR, ICCV, NeurIPS 等），探索大模型在自动驾驶长尾场景（Corner Cases）中的应用
优先资格
在视觉、机器人或机器学习顶会发表过相关论文（一作优先）
在开源社区（如 GitHub）有高质量项目或对著名量化库（BitsAndBytes, AutoGPTQ 等）有贡献
在模型压缩或自动驾驶相关竞赛（如 Argoverse, Waymo Challenge）中获得佳绩
AI 洞察
优缺点分析
优点
- 身处自动驾驶与大模型交叉前沿领域，技术积累含金量高
- 地平线是自动驾驶芯片与算法头部企业，平台资源丰富，可接触真实业务场景
- 实习中可参与从研发到部署的全链路工作，技能锻炼全面
- 薪酬待遇在实习岗位中具有竞争力，且有机会发表顶会论文
- 工作强度可能较大，需要解决模型量化掉点等“玄学”问题，对耐心要求高
- 需要同时掌握大模型训练、量化、部署等多方面技能，学习曲线陡峭
- 对自动驾驶算法与大模型量化压缩有浓厚兴趣，具备较强编程能力和研究精神，有志于在AI与自动驾驶交叉领域深耕的计算机、自动化等专业在读硕士/博士
缺点 / 挑战
- 自动驾驶领域竞争激烈，对实习产出（如论文、效果）有较高期待
角色解读
- 从实习转正为正式员工，深入自动驾驶算法工具链核心研发
- 向大模型量化专家或自动驾驶算法专家方向发展，主导关键技术攻关
- 凭借顶会论文与项目经验，可进入顶级自动驾驶公司或研究机构
- 参与视觉语言模型在自动驾驶场景下的预训练与微调，优化模型指令遵循能力
- 研究并落地PTQ、QAT等量化算法，确保模型在有限算力下保持精度
- 配合工程团队将感知或决策模型转化为高效推理引擎，解决部署实际问题
- 跟踪并复现相关顶会论文，探索大模型在自动驾驶长尾场景中的应用
- 精通Python，熟悉C++，扎实的PyTorch或TensorFlow开发经验
- 熟悉Transformer、视觉骨干网络及量化原理（剪枝、蒸馏、混合精度训练）
- 了解VLM/VLA模型（如CLIP、LLaVA、RT-2）的基本原理
- 具备自动驾驶感知或大模型高效训练/微调经验，熟悉TensorRT等部署工具链
申请策略
- 深入了解地平线算法工具链业务和自动驾驶行业痛点，在面试中展现对该方向的热情
- 可提前研究地平线相关技术博客或开源项目，提出改进思路
- 突出自动驾驶或大模型相关项目经验，尤其是量化、压缩、部署方面的成果
- 强调编程能力（Python、C++、PyTorch/TensorFlow）和算法基础（Transformer、量化原理）
- 如有顶会论文、开源贡献或竞赛获奖，务必显眼展示
- 体现解决“玄学”问题的经历，如量化掉点分析、调优案例
- 系统学习模型量化知识（PTQ、QAT、FP8/INT4），熟悉BitsAndBytes、AutoGPTQ等工具
- 动手实践VLM/VLA模型微调（如LLaVA、RT-2），掌握LoRA、DeepSpeed等高效训练方法
面试指南
- 对于量化问题，先阐述理论再结合实践案例，强调数据校准、混合精度、逐层分析等思路
- 对于大模型应用，从模型能力（视觉理解、推理）出发，结合实际场景（如罕见障碍物识别）展开
- 请讲解一下PTQ和QAT的原理与区别，以及在工程中如何选择？
- 你如何解决模型量化后的精度掉点问题？请举例说明
- 讲一下你对VLM/VLA模型的理解，在自动驾驶场景中可能有哪些应用？
- 你使用过哪些部署工具链？请描述一次完整的模型部署流程
- 你有过处理长尾分布（Corner Cases）的经验吗？如何用大模型改善？
- 复习量化、蒸馏、剪枝等经典论文，熟悉主流量化框架
职位点评
64
综合评分
高含金量的自动驾驶算法实习，前沿技术栈，但薪资一般且要求现场办公。
更适合这类人
适合追求技术成长和前沿方向的研究型实习生，对薪资和WLB要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利55
成长发展90
工作生活30
使命价值80
薪资福利
55较低
实习生薪资属于行业中等水平，福利未明确提及，补偿性动机满足度一般。
薪资信号面议 (5K-10K/月)
成长发展
90较高
该岗位涉及大模型、量化压缩等前沿技术，可接触顶会论文和真实部署，发展性动机强烈满足。
技术前沿前沿/新兴技术
技术栈大模型、VLM、VLA、量化压缩、PTQ、QAT、Transformer、Diffusion、TensorRT、ONNX Runtime
业务类型profit_center
工作生活
30较低
实习生通常需要现场办公，工作地点在南京栖霞区，WLB信息未提及，生活化动机满足度较低。
工作模式仅现场办公
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
自动驾驶是高速增长赛道，该岗位直接贡献于提升驾驶安全，意义感动机满足度较高。
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