端侧AI infra实习

优缺点分析

角色解读

• 通过实习积累端侧AI部署全流程经验，可向AI算法工程师或AI基础设施工程师发展
• 深入具身智能领域，未来可从事机器人、自动驾驶等方向的模型优化工作
• 接触前沿技术社区，提升工程化与系统优化能力，为后续全职或深造奠定基础
• 优化端侧模型的微调与推理流程，加速模型在设备上的部署效率
• 负责算法在真实业务场景中的落地，紧贴业务需求改进模型效果
• 对接模型优化、部署、应用框架等多种能力，为算法交付提供支撑
• 跟进AI前沿动态，持续优化内部算法模型和部署效率
• 扎实的深度学习基础，熟悉常见算法模型的原理与适用场景
• 熟练掌握Pytorch、Jax等主流深度学习框架，并有实际训练项目经验
• 了解模型优化技术，如量化、剪枝、蒸馏，以及相关工具链
• 具备良好的沟通与团队协作能力，能快速解决实际问题

申请策略

• 在简历中附上技术博客或GitHub项目链接，展示动手能力
• 了解智元机器人的技术方向和产品，在面试中表现出对公司的认可
• 突出模型训练与优化的项目经验，尤其是使用Pytorch或Jax的实际案例
• 强调对端侧部署或模型量化相关技术的了解，如有相关实践更佳
• 展示快速学习能力，比如自学过新框架或参加过相关竞赛
• 提及具身智能或机器人方向的兴趣，表现对行业的热爱
• 提前学习lerobot、gr00t等具身框架的基本使用
• 了解模型量化、剪枝、蒸馏的基本原理和常见工具（如TensorRT、ONNX）

面试指南

• 使用STAR法则：先描述场景（Situation），再说明任务（Task），然后介绍采取的行动（Action），最后总结结果（Result）
• 从问题本质出发，分步骤给出解决方案：先分析瓶颈，再选择优化手段，最后验证效果
• 结合具体技术细节：如提到使用torch profiler定位瓶颈，用torch compile或cudagraph优化
• 如何加速一个端侧模型的推理速度？你会采用哪些方法？
• 解释torch.compile的工作原理及其对训练优化的作用
• 描述一次你使用Pytorch训练模型并部署的经历
• 什么是模型量化？有哪些常见量化方法？各有什么优缺点？
• 你对具身智能了解多少？谈谈lerobot框架的特点