元戎启行
自动驾驶算法工程师 (模型优化与部署方向)
自动驾驶算法工程师 (模型优化与部署方向)
发布于 3 天前普通员工/个人贡献者
模型优化与部署方向, China
高级经验
全职员工
仅现场办公
学历未注明
软件工程
Cuda
Onnx
Pytorch
Tensorrt
Vla
模型量化
端到端自动驾驶
AI 估算 · 35k–65k
自动驾驶算法工程师属于高技能稀缺岗位，薪资水平较高，中位数约50k/月，考虑公司融资阶段和行业竞争力。
职位详情
关于这个职位
该职位专注于自动驾驶VLA/端到端模型的工程化落地与部署优化，核心工作包括模型量化、推理加速和训练框架开发
适合具备扎实工程能力（Python/C++、CUDA）和深度学习部署经验（TensorRT、ONNX）的技术专家，需要跟进前沿算法并实现工程转化
最低要求
工程与代码能力（第一优先级）：
精通 Python 和 C++，优秀的编码习惯和设计模式认知，能编写生产级代码
深入理解 PyTorch/TensorFlow 等框架底层原理，具备自定义算子开发或大规模分布式训练调优经验者优先
量化与部署经验（硬性要求）：
丰富的 VLA/Transformer 类大模型量化经验，掌握 int8 量化、KV-Cache 优化、混合精度量化、SmoothQuant 等
精通 TensorRT, ONNX Runtime, Triton 等推理引擎，有处理复杂模型结构的实际案例
算法背景与科研能力：
熟悉主流 VLA 架构及端到端自动驾驶算法（UniAD, VAD, RT-2 等）
在 CVPR, ICCV, ECCV, NeurIPS 等顶级会议发表过相关论文，且论文代码已被开源或在实际项目中得到应用
扎实掌握判别式模型（检测/分割/3D感知）和生成式模型（Diffusion/GPT/World Model）原理
工作职责
VLA/端到端模型工程化落地：负责Vision-Language-Action (VLA)及端到端自动驾驶模型的工程实现与系统集成，将前沿模型结构转化为高质量工程代码，负责模型在自动驾驶软件栈中的适配与联调
高性能量化与部署（核心）：负责大模型的全链路部署优化，主导VLA/端到端模型的量化工作（PTQ/QAT），攻克大模型在车端嵌入式平台（Orin-X等）上的显存占用高、推理延迟大的难题，确保模型满足实时性要求
训练性能优化：负责大规模多任务训练框架的开发与维护，通过优化数据流水线、算子融合、分布式训练策略等手段，显著提升模型训练效率和资源利用率
SOTA算法复现与改进：快速跟进CVPR/ICCV/NeurIPS等顶会的最新成果，具备极强的论文代码复现能力，将学术界的先进算法（如VLA, World Model）快速迁移至业务场景并进行工程化改良
优先资格
加分项：
有实际的车端模型落地（SOP）经验
熟悉自动驾驶数据闭环系统，有自动标注或数据挖掘工程经验
ACM/ICPC 编程竞赛获奖者，或在 GitHub 上有高 Star 开源项目贡献者
发表过顶会论文，或者有相关科研经验
AI 洞察
优缺点分析
优点
- 自动驾驶是热门赛道，技术前沿且有巨大的行业前景，能够接触到最先进的VLA和端到端模型
- 公司为C轮以后中大型企业，资金充裕，项目落地机会多，有利于积累车端量产经验
- 工作强度较大，需要攻克车端资源限制下的实时性难题，可能涉及加班
- 技术栈要求高且综合，需要同时具备工程、算法和量化部署能力，学习曲线陡峭
- 行业竞争激烈，需要持续跟进顶会论文并快速转化，对自驱力要求高
缺点 / 挑战
- 岗位技术挑战高，能深度提升工程化、优化和部署能力，职业竞争力强
- 适合技术扎实、热爱系统工程和模型优化、乐于挑战前沿技术的算法工程师，尤其是对自动驾驶落地有强烈兴趣的求职者
角色解读
- 技术方向成长为模型优化与部署专家，主导关键项目的工程方案设计
- 横向发展为自动驾驶系统架构师，覆盖感知、预测、规划全栈
- 管理方向可晋升为技术团队负责人，带领团队攻克工程难题
- 负责VLA/端到端自动驾驶模型的工程化实现与系统集成，将前沿模型结构转化为高效工程代码
- 主导大模型的量化与部署优化，使用TensorRT等工具在车端嵌入式平台实现低延迟推理
- 开发与维护大规模训练框架，通过算子融合、分布式策略提升训练效率
- 快速复现并改进SOTA算法，推动学术成果在实际业务中的落地
- 精通Python和C++，能编写高性能生产级代码，熟悉设计模式
- 深入理解PyTorch/TensorFlow，具备CUDA自定义算子开发或分布式训练调优经验
- 丰富的Transformer/VLA模型量化经验，掌握TensorRT、ONNX等推理引擎
- 扎实的算法基础，熟悉端到端自动驾驶（UniAD等）及生成式模型原理
申请策略
- 提前了解元戎启行的技术路线（如VLA、端到端），并在面试中展示与之相关的项目或思考
- 准备一个量化和部署的完整案例，能够清晰阐述问题、解决方案和效果
- 突出工程化项目经验：展示你参与过的量化部署、训练优化等实际项目，包括使用的工具和达成的性能指标
- 强调顶会论文及开源贡献：列出发表的论文和GitHub开源项目，并注明代码的落地应用情况
- 详细描述VLA/Transformer相关经验：包括模型结构、量化方法（如SmoothQuant）、推理引擎使用等
- 如果缺乏车端部署经验，可以学习TensorRT和ONNX Runtime的实战操作，并在边缘设备上练习优化
- 加强CUDA编程能力，尝试实现简单的自定义算子，并理解分布式训练框架（如FSDP、DeepSpeed）
面试指南
- 对于项目类问题，采用STAR法则：场景、任务、行动、结果，重点突出量化方法（如PTQ/QAT）、工具链（TensorRT）、优化技巧（SmoothQuant）和最终指标（延迟、显存）
- 对于开放性问题，先分析核心矛盾（如精度与速度的trade-off），再分点给出解决方案，最后结合自身经验说明可行性和权衡
- 请详细描述你过去负责的一个模型量化部署项目，包括使用的方法、遇到的挑战和最终性能
- 对于VLA模型在Orin-X上的部署，你会如何优化显存和延迟？请从量化、算子融合、架构设计等方面展开
- 如何在PyTorch中自定义一个CUDA算子？请举例并说明在训练或推理中的应用场景
- 目前端到端自动驾驶模型（如UniAD）存在哪些工程化难点？你如何解决？
- 请解读一篇你读过的CVPR/NeurIPS论文，并说明如何将其工程化落地
- 复习Transformer量化技术（如SmoothQuant、KV-Cache优化），并准备一个实际案例
职位点评
68
综合评分
技术前沿、成长空间大，但工作强度高、生活灵活性低。
更适合这类人
该职位最适合发展性动机强烈的求职者，即追求技术成长、前沿领域挑战，愿意为职业发展投入时间和精力的人。
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90
工作生活35
使命价值75
薪资福利
70中等
职位薪资在行业中处于较高水平，但未披露具体薪资和福利，补偿性有一定吸引力但信息不足。
薪资信号未披露（AI估算：35K-65K/月）
成长发展
90较高
岗位技术前沿（VLA、端到端、量化部署），能深度接触SOTA算法和高性能优化，成长空间极大，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈VLA、Transformer、TensorRT、CUDA、量化、SmoothQuant
业务类型profit_center
工作生活
35较低
仅现场办公，未提及弹性工作或远程，且自动驾驶行业通常工作强度高，生活方式灵活性差。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
自动驾驶行业属于高速增长赛道，技术对社会交通有积极影响，但岗位描述未直接强调社会使命。
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