哈啰出行
模型部署量化与加速工程师/专家-【自动驾驶】
模型部署量化与加速工程师/专家-【自动驾驶】
发布于 1 天前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
本科
自动驾驶
CUDA
模型量化
模型剪枝
TensorRT
Nvidia Orin
Bevfusion
AI 估算 · 30k–50k
自动驾驶风口赛道，模型量化加速人才稀缺，哈啰出行大厂背景，高级工程师薪资具竞争力。
职位详情
关于这个职位
该职位专注于自动驾驶感知模型（如目标检测、车道线、端到端模型）的量化与加速，推动模型在NVIDIA Orin/Thor等嵌入式平台的高效部署
你将参与模型从训练到推理的全流程优化，包括模型转换、剪枝、蒸馏和算子优化，需要扎实的C/C++、Python和CUDA编程能力
适合对自动驾驶和模型部署有热情的技术专家
最低要求
计算机、自动化、电子工程等相关专业本科及以上学历，2年以上AI模型量化与加速经验
熟练掌握Python、C/C++编程，具备扎实的代码能力，熟悉主流深度学习框架（如PyTorch/ONNX/TensorRT等）
熟悉模型量化、剪枝、蒸馏等模型压缩与加速方法，具备实际项目经验
熟悉CUDA开发及性能优化，或具备DSP等异构计算平台的优化经验
有BEVFusion、BevFormer,UniAD，Sparse4D等主流感知模型的量化部署经验者优先
有Transformer结构（如ViT、Swin Transformer等）、稀疏卷积（Sparse Convolution）相关模型的量化及部署经验者优先
有NVIDIA Orin、Thor、TI TDA4、J5/J6、高通等芯片的模型加速部署经验优先
具备良好的性能分析与调优能力，能够针对资源受限平台进行模型裁剪和推理加速
具备良好的沟通、团队协作与主动学习能力
工作职责
负责自动驾驶/智能驾驶相关感知模型（如OD、OCC、Lane、TFL、TFS、E2E等）和端到端模型的高效量化与加速，推动模型在嵌入式终端平台的上线落地
参与模型从训练到推理的全流程优化，包括模型转换、量化、剪枝、蒸馏、加速等，提升模型推理效率和部署性能
负责模型在NVIDIA Orin、NVIDIA Thor等芯片平台上的性能优化与落地，针对硬件特性进行模型结构适配与算子优化
根据业务需求，进行CUDA、DSP等底层加速优化，实现高性能推理
跟进主流感知模型（如BEVFusion、Sparse4D、Transformer结构、稀疏卷积等）的前沿部署方案，并推进落地
负责编写相关量化、加速流程文档和工具脚本，支持自动化部署与性能回归测试
优先资格
加分项 - 有实际量产项目部署经验，或参与过自动驾驶感知系统的端到端上线
- 熟悉异构计算（如FPGA、NPU等）、多芯片协同调度、模型自动化部署工具链
- 英语良好，能阅读、撰写技术文档
AI 洞察
优缺点分析
- 自动驾驶是高速增长赛道，技术积累具有长期价值，跳槽竞争力强
- 涉及底层优化和芯片适配，技术深度高，个人能力提升快
- 哈啰出行作为大厂，平台资源丰富，项目落地机会多
- 工作强度较大，需要应对量产项目的紧迫交付和性能调优压力
- 技术门槛高，需持续学习前沿模型结构和硬件平台，知识更新快
- 适合对模型部署和底层优化有浓厚兴趣，具备扎实编程和算法基础，愿意在自动驾驶领域深耕的工程师
角色解读
- 向自动驾驶感知系统架构师发展，主导模型部署全流程设计与优化
- 深入芯片底层技术，成为异构计算专家，扩展至FPGA、NPU等平台
- 积累量产项目经验后，可转向团队管理或技术负责人岗位
- 负责自动驾驶感知模型（如目标检测、车道线识别）的量化、剪枝与蒸馏，提升模型在嵌入式芯片上的推理速度
- 使用CUDA和DSP等底层技术对模型进行算子优化，适配NVIDIA Orin/Thor等硬件平台，实现高性能部署
- 开发和维护模型部署工具链，编写自动化脚本，支持模型的快速迭代与性能回归测试
- 精通Python和C/C++，熟悉深度学习框架如PyTorch和ONNX，具备模型转换和部署经验
- 熟悉模型量化、剪枝、蒸馏等压缩加速方法，并有实际项目落地经验
- 熟悉CUDA编程及性能优化，或具备DSP等异构计算平台的经验，能够针对硬件特性进行优化
申请策略
- 面试前准备一个完整的模型部署项目案例，从训练到推理全流程介绍，体现优化思路
- 关注哈啰出行自动驾驶业务方向，了解其产品落地点，展现对业务的理解
- 突出量化、剪枝、蒸馏等模型压缩加速的实际项目经验，最好有自动驾驶相关背景
- 强调CUDA优化或DSP等异构计算经验，列出具体的性能提升数据（如推理速度提升倍数）
- 展示对NVIDIA Orin/Thor等芯片平台的适配经验，以及Transformer、BEVFusion等模型的部署案例
- 补充TensorRT部署工具链的熟练使用，掌握ONNX模型转换和调试技巧
- 熟悉Sparse Convolution和Transformer结构的推理优化方法，了解量化感知训练
面试指南
- 对于项目经验问题，采用STAR法则：Situation（项目背景）、Task（任务目标）、Action（具体行动）、Result（量化结果）
- 对于技术优化问题，先分析瓶颈（计算/访存），再提出针对性优化（如算子融合、内存对齐、并行化），最后总结效果
- 请详细描述你做过的一个模型量化项目，如何选择量化方法和评估精度损失？
- 在NVIDIA Orin上部署模型时，你通常如何进行性能优化？举例说明你优化过的算子
- 谈谈你对BEVFusion或Sparse4D的理解，它们的部署难点在哪里？
- 如何用CUDA实现一个高效的矩阵乘法？请描述关键优化策略
- 当模型剪枝后精度下降较多，你会采取哪些措施恢复精度？
- 复习CUDA编程模型、内存管理、共享内存优化等基础知识，准备面试手写代码
匹配度报告
70
综合匹配度
自动驾驶量化加速岗，前沿技术栈，高成长但强度大
适合人群
适合追求技术深度和职业成长，愿意在自动驾驶领域投入，并能接受较高工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活40
使命价值80
薪资福利匹配
70中等
薪资未在JD中明确，但自动驾驶领域量化加速工程师薪资水平偏高，哈啰出行作为大厂福利较好，但加班可能较多，综合补偿性动机满足程度中等偏上。
薪资信号未披露 (30K-50K/月)
成长发展匹配
90较高
职位涉及前沿自动驾驶模型和异构计算优化，技术栈先进，成长空间大，发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈量化、剪枝、蒸馏、CUDA、TensorRT、BEVFusion、Transformer、NVIDIA Orin、自动驾驶
业务类型profit_center
工作生活匹配
40较低
职位要求现场办公，未提及弹性工作或WLB，自动驾驶项目存在交付压力，生活化动机满足程度较低。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
80较高
自动驾驶技术对社会出行效率和安全有积极意义，行业处于高速增长期，且该职位涉及创新技术落地，意义感较强。
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