随着自动驾驶进入“大模型时代”，从传统的规则驱动转向数据驱动的端到端（End-to-End）感知决策规划一体化模型成为行业趋势。然而，将参数量巨大、计算密集的 Transformer 类大模型高效、安全地部署在算力受限的车规级芯片上，是量产落地的核心瓶颈。 我们需要你加入我们的核心基础架构团队，通过极致的模型压缩、量化加速与推理引擎优化，让智驾大模型在车轮上跑得更快、更稳、更省电。 岗位职责 1. 大模型量化研究与应用：负责智驾大模型（如 VAD, VLA, QwenVL 等）的低比特量化（PTQ/QAT），探索混合精度量化、稀疏化及结构化剪枝技术，在保证精度的前提下大幅降低显存占用与计算量。 2. 高性能推理引擎开发：基于 NVIDIA TensorRT、TVM 或自研推理框架，针对车规级芯片（NVIDIA Thor/Orin, Horizon J5/J6, Qualcomm Snapdragon Ride 等）进行算子开发与性能调优。 3. 端到端部署链路构建：打通从 PyTorch 训练框架到车载嵌入式环境的部署全流程，解决动态 Shape、多模态输入对齐、内存管理、运行时调度等工程难题。 4. 软硬协同优化：深入理解 GPU/NPU 硬件架构，利用 CUDA/C++ 进行底层算子优化，挖掘硬件极致性能，降低推理延迟（Latency）并提升吞吐量（Throughput）。 1. 2027 届海内外高校应届毕业生，计算机、电子工程、自动化、数学等相关专业，硕士及以上学历优先。 2. 具备扎实的 C/C++ 编程基础，熟悉 Python，具有良好的代码规范和调试能力。 3. 熟悉 Linux 开发环境，了解计算机体系结构、操作系统及编译原理。 专业技能（满足以下任意 2-3 项即可） 1. 深度学习框架：熟练掌握 PyTorch 或 TensorFlow，深入理解常见神经网络结构（CNN, Transformer, ViT），有实际的大模型训练或微调经验。 2. 模型压缩技术：熟悉模型量化原理（INT8/FP16/BF16），了解 PTQ（训练后量化）和 QAT（量化感知训练）流程，有 TensorRT、ONNX Runtime 使用经验者优先。 3. 高性能计算：熟悉 CUDA 编程，了解 GPU 内存层级、并行计算原理；或有 TVM、MLIR 等编译器栈开发经验。 4. 部署实战经验：有过将深度学习模型部署到嵌入式设备的实际项目经历； 加分项 端到端大模型自动驾驶量产经验，熟悉VLA、ViT、Transformer； 学术新星、技术能手：有MLSys、Efficient AI前沿方向工作产出；