地平线
BPU开源算法工程师
BPU开源算法工程师
发布于 大约 14 小时前普通员工/个人贡献者
北京市 / 南京市
中级经验
全职员工
仅现场办公
硕士
机器学习工程
Bpu
Pytorch
Tensorrt
Vla
Vllm
世界模型
模型量化
AI 估算 · 30k–50k
AI芯片公司算法岗，技能稀缺，市场供需紧张，薪资竞争力强，综合评估。
职位详情
关于这个职位
作为地平线深度学习平台部的BPU开源算法工程师，你将专注于开源模型研发与落地，涵盖视觉、大语言模型、VLA、世界模型等前沿方向
工作内容包括打通训练到部署全链路，维护开源Model Zoo，并通过软硬协同优化提升模型在BPU上的性能与精度
适合对AI算法落地和开源社区有热情的工程师
最低要求
计算机相关专业硕士及以上学历，1-5年相关工作经验
熟练掌握 Python / C++，具备良好的编程规范与代码习惯
熟悉 PyTorch 框架，具备扎实的算法基础和良好的问题分析能力
熟悉 Git 协作流程，有参与或维护开源项目的经验
工作职责
开源模型研发与落地：面向当前与下一代 BPU，研发并落地视觉、大语言模型、VLA、世界模型、生成式模型等场景的开源模型方案，打通"训练 → 量化 → 编译 → 上板"全链路，沉淀为可复现的 Model Zoo 样例
开源仓库维护：负责开源 Model Zoo 仓库的日常维护，包括代码与文档质量、示例可复现性、Issue / PR 响应、版本与发布管理，持续提升开源项目的影响力与易用性
软硬协同优化：结合 BPU 架构特性分析模型，通过模型结构、量化、算子等软硬协同手段提升部署性能与精度，并将共性问题与需求反哺工具链与编译器团队
优先资格
前沿方向：
对 VLA(Vision-Language-Action)、世界模型(World Model)有相关研究或落地经验，有具身智能(Embodied AI)方向经验者优先
工程能力：
熟悉常用的模型量化与加速方案(如 PTQ / QAT、AWQ、GPTQ、SmoothQuant 等)，具备独立排查量化精度掉点的能力
熟练掌握至少一种主流推理引擎或工具链（如 TensorRT, ONNX Runtime, vLLM, TensorRT-LLM 或芯片厂商工具链）
有 GitHub 开源项目维护经验或活跃的开源贡献
AI 洞察
优缺点分析
优点
- 地平线是上市AI芯片公司，技术平台和资源优秀
- 接触前沿AI方向（VLA、世界模型、具身智能），技术成长快
- 开源项目有高影响力，个人品牌提升机会多
- 工作内容多样化，覆盖算法、工程、社区运营
- 涉及技术栈广，需要同时掌握算法、量化、编译和硬件知识
- 开源维护需要持续投入，沟通和文档要求高
- 公司节奏可能较快，工作强度需适应
缺点 / 挑战
- 适合热爱前沿AI技术、乐于分享和参与开源、愿意挑战软硬协同优化的工程师
角色解读
- 技术深度方向：成为AI芯片软硬协同优化专家，深入BPU架构与编译器
- 开源影响力方向：通过维护知名开源项目，成为领域内技术KOL
- 管理方向：未来可带领开源团队或技术小组，负责更大范围的技术战略
- 负责开源模型（视觉、大语言模型、VLA等）的研发与落地，打通训练到BPU部署的全链路
- 维护Model Zoo开源仓库，处理Issue/PR，提升项目质量与社区影响力
- 进行软硬协同优化，通过结构改进、量化等手段提升模型在BPU上的性能与精度
- 扎实的Python/C++编程能力，熟悉PyTorch框架和模型训练/推理流程
- 熟悉模型量化（PTQ/QAT等）与推理引擎（TensorRT、vLLM等）
- 具备良好的开源协作习惯，熟练使用Git和代码审查流程
- 了解BPU或类似AI芯片架构，有性能优化经验
申请策略
- 申请前研究地平线开源生态（如OpenExplorer、Model Zoo），在简历中体现熟悉
- 在面试中准备一个完整的模型部署案例，展示软硬协同优化思路
- 突出开源项目贡献，附上GitHub链接和具体star/pr数
- 强调模型部署和量化经验，如做过PTQ/QAT、精度调优
- 展示VLA或世界模型相关项目，体现对前沿方向的热情
- 强调Python/C++编程能力，可以展示代码质量或测试覆盖
- 系统学习模型量化理论和工具（如TensorRT-LLM、vLLM）
- 参与热门开源项目，提交PR或issue，积累开源经验
面试指南
- 对于项目类问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，突出个人贡献和难点解决
- 对于技术问题，先阐述基本原理，再结合实践经验，最后总结优化思路
- 例如量化问题：先说量化原理，再说你遇到精度掉点时如何分析原因，最后说如何通过调整方法恢复精度
- 对于部署流程问题，按照整体流程分步阐述，即数据处理→训练→量化→编译→上板测试→性能调优，强调每一步的关键点
- 请介绍你参与过的开源项目，你如何贡献和解决Issue？
- 谈谈你对模型量化的理解，PTQ和QAT有什么区别？如何处理量化精度掉点？
- 如何将一个大模型部署到边缘设备？请描述从模型训练到部署的完整流程
- 你看过或了解地平线的BPU架构吗？你觉得软硬协同优化可以从哪些方面入手？
职位点评
72
综合评分
地平线BPU开源算法工程师，前沿AI技术+开源社区，薪资有竞争力，但工作模式未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
适合追求技术深度和前沿创新、对开源有热情、不介意工作地点固定的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活50
使命价值85
薪资福利
70中等
上市AI芯片公司，薪资福利在行业内有竞争力，但具体数字未披露，整体补偿性较好。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
85较高
前沿技术、开源项目带来巨大成长空间，但晋升路径未明确。
技术前沿前沿/新兴技术
技术栈Python、C++、PyTorch、VLA、世界模型、PTQ、QAT、TensorRT、vLLM、BPU
业务类型ambiguous
工作生活
50较低
工作地点固定，JD未提供弹性办公或加班信息，WLB存在不确定性。
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
身处AI芯片和开源生态，行业前景好，技术有社会价值。
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
地平线 的其他在招职位
相似职位推荐
Watch Jobs