长城汽车
模型推理量化专家49362
模型推理量化专家49362
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Arm架构
Qnn
Snpe
性能优化
模型量化
深度学习
端侧部署
高通骁龙
值不值得投
80综合评分
综合评分 80
高薪前沿技术岗，聚焦大模型端侧落地，技术成长性强，生活平衡度中等
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1190 个在招 · 其中机器学习工程 5 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 570 个在招
职位详情
关于这个职位
负责设计面向高通骁龙平台的端侧大模型推理引擎，进行算子级与图级的极致性能优化
主导模型量化、剪枝及编译流水线优化，解决内存、功耗与实时性约束，实现大模型在手机等边缘设备上的高效部署
最低要求
计算机、电子工程等相关专业硕士及以上学历，8年以上移动端或嵌入式AI推理优化经验
具备至少3年基于高通骁龙平台的AI模型部署与深度优化经验，必须熟悉SNPE/QNN工具链及其底层原理
有成功将大规模神经网络部署到手机等边缘设备并显著提升性能（帧率、功耗、内存）的完整项目经验，能提供量化数据
精通C++/Python，熟悉ARM架构、嵌入式Linux/Android系统，具备出色的性能分析和调试能力
具备复杂系统分析能力
工作职责
主导设计面向高通骁龙平台的下一代端侧大模型推理引擎，解决内存、功耗与实时性的极致约束
深入利用高通AI引擎，进行算子级、图级的极致性能优化
精通并深度定制高通AI软件栈，实现模型的高效部署
主导大模型向端侧的量化、剪枝、知识蒸馏等流程，在精度与性能间取得最佳平衡
优化模型转换与编译流水线，确保模型文件的高效、无损转换
研究与落地适用于端侧的投机采样持续管理与压缩、注意力机制优化等关键技术
探索模型分片、持续学习与个性化在资源受限设备上的可行性方案
优先资格
有高通的直接编程经验，或能进行GPU Kernel调优
熟悉端侧相关编译框架，并了解其与高通工具链的集成
在顶会发表过相关论文，或有知名开源移动端推理项目的核心贡献
AI 洞察
优缺点分析
优点
- 聚焦前沿的大模型端侧化技术，技术壁垒高
- 依托大厂平台，拥有真实的硬件落地场景
- 对底层性能和功耗要求极高，优化难度大
- 具备深厚底层优化功底、追求技术极致且在移动端AI领域有丰富经验的资深专家
缺点 / 挑战
- 需兼顾学术前沿与工程落地，压力较大
角色解读
- 可向首席AI工程师、AI架构师方向发展，或转向自动驾驶端侧算法领域
- 专注于手机端大模型的落地优化，特别是针对高通芯片平台进行底层加速
- 精通C++/Python，深入理解ARM架构与嵌入式系统，熟练掌握高通SNPE/QNN工具链
申请策略
- 准备详细的项目复盘，展示如何解决极端资源约束下的推理难题
- 突出高通平台优化案例，提供具体的性能提升数据（如FPS提升、功耗降低百分比）
- 深入研究高通最新NPU架构特性，掌握最新的模型压缩与量化技术（如LLM.int8等）
面试指南
- 使用STAR法则：情境（资源限制）、任务（性能目标）、行动（具体技术手段如算子融合、量化策略）、结果（量化数据对比）
- 请分享一个你优化过的最复杂的端侧模型案例，具体提升了多少性能？
- 如何在大模型量化过程中平衡精度损失与推理速度？
- 针对高通SNPE/QNN，有哪些底层调优技巧？
- 如何处理端侧内存受限情况下的注意力机制优化？
- 复习ARM NEON/SVE指令集优化原理，重温Transformer架构细节，准备1-2个深度优化的技术故事
职位点评
薪资福利85
成长发展92
工作生活60
使命价值75
薪资福利
85较高
作为上市巨头企业的专家岗，薪资水平极具竞争力，福利体系完善，满足度高。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
92较高
涉及大模型端侧化这一前沿领域，技术挑战性强，成长空间巨大。
技术前沿前沿/新兴技术
技术栈大模型、端侧推理、量化、剪枝、高通SNPE、QNN
业务类型profit_center
工作生活
60中等
传统车企研发岗通常工作节奏稳定，但专家岗面临较高的技术攻关压力，WLB中等。
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
75中等
推动AI技术在终端设备的普及，具有显著的技术创新价值和社会影响力。
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