联想
AI模型部署工程师
AI模型部署工程师
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Int8
Onnx
Pytorch
Tensorrt
异构计算
性能优化
算子开发
自动驾驶
边缘计算
值不值得投
73综合评分
综合评分 73
前沿自动驾驶领域的技术攻坚岗，技术成长性强但工作节奏可能较快。
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。
薪资怎么样
30K
比算法优化工程师中位数低
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 390 个在招 · 其中算法优化工程师 3 个
市场机会
选择面较广
上海 · 算法优化工程师 · 87 个在招
职位详情
关于这个职位
作为AI模型部署工程师，你将负责自动驾驶AI模型在多种车载异构计算平台上的端到端部署与优化
工作涵盖模型转换、量化、编译及运行时适配的全链路，需要解决部署过程中的各类工程问题，并开发辅助工具提升效率
这是一个技术挑战性强、直接影响产品落地的关键岗位
最低要求
本科及以上学历，计算机、电子、自动化等相关专业，3 年以上 AI 模型部署或推理优化经验，有车载、机器人或其他嵌入式平台量产部署经历者优先
熟悉主流深度学习框架（PyTorch / ONNX），熟练掌握至少一种车载推理框架（TensorRT、QNN / SNPE、BPU SDK 等），深入理解其编译与运行时机制
具备 INT8 / FP16 量化、算子融合、计算图优化等实际调优经验，能够独立完成精度与性能的量化分析，并在二者间做出合理的工程权衡与决策
熟练使用 Python 与 C / C++，具备独立设计并交付工程化工具或自动化流水线的能力
具备较强的问题拆解与定位能力，能在信息不完整、多因素耦合的情况下系统性排查复杂部署问题
具备良好的跨团队沟通协作能力
工作职责
负责自动驾驶 AI 模型在车载异构计算平台（英伟达DRIVE、高通Ride、地平线Journey、新芯航途BMC等）上的端到端部署，覆盖模型转换、量化、编译、运行时适配的完整技术链路
基于 TensorRT、QNN / SNPE、BPU SDK 等推理框架，完成算子适配与自定义算子开发，针对推理延迟、内存占用、吞吐量等核心指标进行系统性调优
定位并解决模型部署全流程中的工程问题，包括但不限于精度损失、算子不支持、内存超限、多模型并发调度冲突等，推动问题从排查到闭环的完整解决
设计并开发部署辅助工具链，涵盖精度逐层对比、性能 Profiling 可视化、算子兼容性扫描等工具，提升团队部署效率与问题可观测性
对接底软、硬件及集成测试团队，完成模型在完整车载软件栈中的系统联调与版本交付
优先资格
熟悉 BEV、多模态融合、大模型端侧部署等前沿模型结构，具备 Transformer 类模型的推理优化实践
有工程工具或可视化平台的设计与开发经验
AI 洞察
优缺点分析
优点
- 技术领域前沿：直接参与自动驾驶落地关键环节，接触多家主流车载计算平台，技术视野开阔
- 问题驱动型工作：日常解决的是从算法到工程落地过程中的真实复杂问题，能快速积累系统级优化能力
- 平台与资源：联想作为大型科技企业，能提供稳定的项目支持和硬件资源
- 技术复杂度高：需要同时理解AI算法、编译原理、芯片架构和C++底层开发，知识跨度大
- 多团队协作：工作需频繁对接算法、硬件、测试等多个团队，沟通成本高，对协作能力要求严格
- 问题排查困难：部署问题往往是多因素耦合的结果，排查过程可能耗时且需要耐心
- 适合具备扎实编程和AI基础，喜欢钻研底层技术、解决实际工程问题，并能在复杂协作环境中推动任务落地的工程师
- 对自动驾驶行业有热情者尤佳
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：在特定芯片平台或推理框架上成为深度优化专家，负责更核心、更前沿的模型部署技术攻关
- 架构师路线：拓宽技术栈，负责自动驾驶全栈软件中模型部署部分的整体架构设计，并指导团队技术方向
- 管理路线：如果具备领导力，未来可能转向技术管理岗位，负责团队或项目规划
- 将训练好的自动驾驶AI模型转换、量化并部署到英伟达、高通、地平线等多种车载芯片上，确保模型能高效运行
- 对部署后的模型进行系统性性能调优（延迟、内存、吞吐量），并解决精度损失、内存超限等实际工程问题
- 开发自动化工具链，如精度对比工具和性能分析可视化平台，来提升整个团队的工作效率
- 深入掌握至少一种主流车载推理框架（如TensorRT）的编译与运行时机制，并具备INT8/FP16量化的实战经验
- 熟练运用Python进行工具开发，并能使用C/C++进行底层算子适配和性能敏感模块的开发
- 具备系统性的问题排查能力，能在复杂的多因素环境中定位并解决模型部署的疑难杂症
申请策略
- 研究联想在自动驾驶或智能设备领域的最新动态，了解其业务方向，以便在面试中展示你的兴趣与契合度
- 准备一个清晰的故事线，讲述你如何从头到尾解决一个复杂的模型部署问题，这比单纯罗列技能更有说服力
- 详细描述参与过的具体模型部署项目，明确使用的技术栈（如TensorRT, PyTorch）、遇到的挑战（如精度-性能权衡）以及量化的优化成果（如延迟降低X%）
- 突出独立开发的工具或脚本，并说明其如何解决团队痛点、提升效率
- 如果有涉及嵌入式平台（如机器人、车载）的部署经验，务必重点强调
- 系统学习或复习一种主流车载推理框架（如TensorRT）的官方文档和最佳实践，准备能体现深度理解的案例
- 加强C++在性能优化和内存管理方面的实践能力，可以通过刷题或做小项目来巩固
面试指南
- 对于问题排查类问题，使用STAR原则（情境、任务、行动、结果），重点突出你的分析思路（如何拆解问题、定位到根本原因）和解决过程（尝试了哪些方案、为何选择最终方案）
- 对于技术对比类问题，从核心原理、优化手段、支持平台和适用场景等维度结构化地进行阐述，展现系统性思考
- 对于工具开发类问题，强调需求来源（团队痛点）、你的设计思路以及工具带来的实际收益（效率提升、质量保障）
- 请描述一个你处理过的最复杂的模型部署问题，你是如何定位和解决的？
- 你如何对模型进行INT8量化？如何评估量化后的精度损失？在精度和性能之间你会如何权衡？
- TensorRT和QNN/SNPE在架构和工作流上主要有什么区别？
- 你设计过哪些部署辅助工具？它们解决了什么问题？
- 如何评估一个模型在目标嵌入式平台上的性能瓶颈？你会使用哪些工具？
职位点评
薪资福利80
成长发展75
工作生活60
使命价值70
薪资福利
80较高
作为已上市的大型科技企业岗位，薪资和福利体系通常较为规范且有竞争力，能满足对稳定性和基础物质回报的预期。
薪资信号市场水准 (20K-40K/月)
成长发展
75中等
岗位要求深入特定技术栈（多芯片平台、推理框架）和解决复杂工程问题，能带来扎实的技术积累。但JD未明确提及具体的培养计划或晋升路径。
技术前沿前沿/新兴技术
技术栈TensorRT、QNN/SNPE、BPU SDK、INT8量化、算子融合、PyTorch、ONNX、C++
业务类型ambiguous
工作生活
60中等
自动驾驶部署岗位通常对模型交付有严格的时间和性能要求，可能涉及较强的项目压力和联调节奏。JD未提及任何弹性办公或工作生活平衡的保障。
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
70中等
参与自动驾驶这一前沿领域的技术落地，具有较高的技术挑战性和社会价值潜力，能带来较强的使命感和成就感。
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
联想 的其他在招职位
相似职位推荐
Watch Jobs