智元机器人
优才-低精度量化/模型压缩算法工程师
优才-低精度量化/模型压缩算法工程师
发布于 大约 15 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
硕士
机器学习工程
Awq
Gptq
Npu
Onnx Runtime
Pytorch
Smoothquant
Tensorrt-Llm
Vllm
模型压缩
AI 估算 · 25k–50k
硕士2年以上量化经验稀缺，上海算法岗薪资高，具身智能赛道有溢价。
职位详情
关于这个职位
该职位负责智元机器人旗下大模型、多模态模型和具身智能模型的低精度量化与压缩算法研发，包括INT4/FP8量化、剪枝、蒸馏等，需与推理引擎团队协作，最终在机器人端侧实现高效部署
适合对模型压缩有深入经验、熟悉PyTorch和主流量化工具的算法工程师
最低要求
硕士及以上，计算机/人工智能/电子/数学相关，2年以上模型量化或压缩经验
精通深度学习模型结构：Transformer、Attention、FFN、Norm、激活函数
熟悉主流量化算法：PTQ、QAT、GPTQ、AWQ、SmoothQuant、LLM.int8 ()、FP8 量化
熟悉模型压缩技术：剪枝、知识蒸馏、动态稀疏、低秩分解（LoRA/QLoRA）
熟练使用 PyTorch，具备模型训练、微调、精度调试能力
具备良好的算法推导、实验设计、问题定位能力
工作职责
负责大模型、多模态模型、具身智能模型的低精度量化、模型压缩、蒸馏、剪枝、稀疏化算法研发与落地
研究并实现 INT4/NVFP4/INT8/FP8 等量化方案：GPTQ、AWQ、SmoothQuant、GPTQ-For-LLaMA、bitsandbytes 等
负责模型压缩算法在训练、推理、端边、云端不同场景的精度保持与性能收益
与推理引擎、算子团队协同，将量化 / 压缩算法对接 TensorRT-LLM、vLLM、ONNX Runtime、NPU/GPU等硬件与推理栈
构建自动化量化工具链、精度评估体系、压缩后模型稳定性验证流程
针对机器人端侧（Jetson//Thor/Orin/NPU）等资源受限场景，实现极小内存、极低功耗下的模型部署
输出算法方案、实验报告、性能 / 精度对比，支撑业务规模化降本增效
优先资格
了解 GPU/NPU 底层特性，熟悉量化算子、Kernel 对齐、推理引擎流程优先
有LLM/VLM/具身智能模型量化落地经验者优先
AI 洞察
优缺点分析
优点
- 处于大模型和具身智能交叉领域，技术前沿且人才稀缺
- 能接触到完整的模型部署链路，硬件和算法结合能力强
- 公司处于B轮，发展快，有较大成长空间
- 量化压缩是降本增效的核心技术，业务价值高
- 需要同时掌握算法和底层硬件知识，学习曲线陡峭
- 机器人端侧部署环境复杂，问题定位难度大
缺点 / 挑战
- 工作强度可能较高，需要快速迭代和实验验证
- 适合对模型压缩和推理优化有浓厚兴趣，喜欢钻研底层技术，能承受一定工作压力的算法工程师
角色解读
- 从量化算法工程师成长为模型压缩技术专家，深入掌握底层硬件与算法结合
- 可向AI基础设施方向拓展，成为推理引擎或部署平台的核心架构师
- 在具身智能赛道积累稀缺经验，未来可转向技术管理或创业
- 负责大模型、多模态模型和具身智能模型的低精度量化与压缩算法研发，设计INT4/FP8等量化方案
- 与推理引擎和算子团队协作，将量化算法适配到TensorRT-LLM、vLLM、ONNX Runtime等推理栈
- 构建自动化量化工具链和精度评估体系，确保压缩后模型的性能与精度
- 针对机器人端侧资源受限场景，实现模型在Jetson/Orin等设备上的低内存低功耗部署
- 精通深度学习模型结构（Transformer、Attention等）和主流量化算法（GPTQ、AWQ、SmoothQuant等）
- 熟练使用PyTorch，具备模型训练、微调和精度调试能力
- 了解GPU/NPU底层特性，熟悉量化算子、Kernel对齐和推理引擎流程
- 具备良好的算法推导、实验设计和问题定位能力
申请策略
- 了解智元机器人的具身智能产品线，在面试中展示对机器人场景的理解
- 准备一个完整的量化项目案例，从问题到方案到结果的讲述
- 突出量化压缩项目经验，包括使用的量化方法、精度提升和性能收益
- 强调对Transformer结构和PyTorch的熟练掌握，可展示相关代码或模型
- 如果有推理引擎（TensorRT-LLM/vLLM）或端侧部署经验，务必重点体现
- 附上实验报告或博客，证明算法推导和问题定位能力
- 熟悉GPTQ、AWQ、SmoothQuant的实现细节，可自己复现
- 学习GPU/NPU底层架构，了解算子kernel优化
面试指南
- 对于原理类问题，先定义概念，再讲数学原理，最后对比联系实际场景
- 对于经验类问题，使用STAR法则：情境、任务、行动、结果
- 对于解决方案类问题，从问题分析、方案设计、实验验证、优化迭代等结构回答
- 请解释GPTQ和AWQ的基本原理及它们的主要区别
- 如何在大模型量化后保持精度？你会如何评估压缩后的模型？
- 描述一次你处理模型量化中精度下降问题的经历
- 在资源受限的端侧设备上，你会如何选择量化方案？
- 你了解TensorRT-LLM或vLLM的量化支持吗？请谈谈
职位点评
72
综合评分
前沿量化算法岗位，技术成长快，薪资未披露，工作强度未知。
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
适合追求前沿技术成长、愿意应对挑战，对具身智能领域有热情的算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展85
工作生活60
使命价值80
薪资福利
65中等
该岗位技术要求高，市场薪资通常有竞争力，但JD未披露薪资和福利，且公司处于B轮存在不确定性。
薪资信号未披露（AI估算：25K-50K/月）
成长发展
85较高
该岗位涉及大模型量化等前沿技术，技能成长空间大，但JD未明确晋升和培训体系。
技术前沿前沿/新兴技术
技术栈GPTQ、AWQ、SmoothQuant、PyTorch、TensorRT-LLM、vLLM、ONNX Runtime、NPU
业务类型cost_center
工作生活
60中等
工作地点上海，JD未提及弹性工作或远程，可能需要现场办公，工作强度未知。
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
80较高
从事具身智能机器人相关算法，行业前景好，技术有社会价值，但JD未明确使命感。
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
智元机器人 的其他在招职位
相似职位推荐
Watch Jobs