车载AI大模型方向先进电子研究岗

优缺点分析

角色解读

• 技术专家路线：深耕模型优化与部署领域，成为车载AI部署方向的核心专家
• 技术管理路线：带领小团队负责特定技术模块的研发与落地
• 跨领域发展：向更广泛的AI系统工程、自动驾驶全栈算法等方向拓展
• 研究并实现大模型压缩与优化算法，使其能高效运行在车载芯片上
• 探索和优化端侧推理引擎，解决车规级芯片的算力与功耗限制问题
• 构建用于模型训练的高质量数据集，特别是针对真实驾驶场景
• 将前沿研究成果工程化，并与产品团队合作推动技术在汽车产品中落地
• 扎实的机器学习/深度学习理论功底，特别是大模型原理
• 精通PyTorch等深度学习框架，并有实际模型训练、优化经验
• 熟悉模型量化、蒸馏、剪枝等压缩技术，以及TensorRT等推理引擎
• 优秀的编程能力（Python为主，C++为加分），具备良好的工程素养
• 对自动驾驶或智能座舱领域有基本了解，理解车载场景的特殊性

申请策略

• 研究吉利汽车在智能化、自动驾驶方面的公开技术成果和战略方向，在面试中展示你的了解和思考
• 准备一个清晰的技术方案，阐述你会如何解决JD中提到的某个具体问题（如‘如何优化Transformer模型在Orin上的推理延迟’）
• 突出顶会/顶刊论文或顶级竞赛成绩，这是硬门槛的直接证明
• 详细描述任何与模型优化、量化、部署相关的项目经历，强调解决了什么具体问题
• 展示开源社区贡献（代码PR、模型发布等），体现工程能力和社区影响力
• 如果具备自动驾驶、智能座舱或嵌入式开发的相关经验，务必重点列出
• 复习并实践模型压缩与优化技术，如用PyTorch实现一个简单的量化案例
• 学习TensorRT、ONNX Runtime等推理引擎的使用文档和优化案例

面试指南

• 对于技术深度问题，采用“背景-方法-挑战-成果”的结构回答，突出个人贡献和思考过程
• 对于方案设计类问题，先明确目标与约束（如延迟、精度、算力），再分步骤阐述思路（数据、模型、优化、部署），并考虑可验证性
• 结合自身经验与行业认知，展示对问题复杂性的理解，并表达持续学习和解决问题的意愿
• 请介绍你发表过的一篇论文的核心贡献，以及其中用到的关键技术
• 如何评估和选择一个模型的压缩方案（如量化 vs. 蒸馏）？需要考虑哪些因素？
• 如果有一个70B参数的LLM需要部署到算力有限的车端芯片上，你会如何设计一个端到端的优化部署方案？
• 在你的项目经验中，遇到过哪些模型训练或部署中的难点？是如何解决的？
• 你如何看待大模型在车载领域的应用前景与挑战？