1. 端到端模型车端部署与推理优化 负责端到端自动驾驶模型（涵盖感知、预测、规划一体化模型）在NVIDIA Jetson/Orin、地平线Journey等嵌入式平台上的高效部署。 熟练运用TensorRT、ONNX Runtime等推理框架，实施算子融合、内存复用、图优化等策略，极致压低模型端到端延迟。 2. 模型轻量化与精度调优 设计并落地量化（INT8/FP16）、结构化剪枝、知识蒸馏等模型压缩方案，平衡车端部署的精度损失与加速比。 针对Transformer、Diffusion等新型网络结构，探索定制化的算子实现与高性能Kernel编写（CUDA/OpenCL）。 3. 软硬协同与系统级性能调优 深入分析车载异构计算单元（GPU/DSP/NPU）特性，进行任务拆分与并行流水线设计，优化内存带宽占用与功耗。 协同算法团队与嵌入式软件团队，解决部署中遇到的精度掉点、模型加载失败、实时调度等工程难题，完成从训练到部署的闭环迭代。 4. 部署工具链与自动化评测体系建设 参与开发模型转换、性能剖析（Profiling）、自动化回归测试的工具链，构建面向端到端模型的Benchmark体系。 建立模型上线前的性能基线与监控看板，持续跟踪量产车型上的运行表现。

任职要求 1. 学历专业 硕士及以上学历，计算机科学、电子工程、自动化、人工智能等相关专业。 2. 经验背景 社招：3年以上AI模型部署或嵌入式AI开发经验，有自动驾驶感知/规划模型量产落地经历者优先。 3. 编程与工程能力 精通C++和Python，熟悉Linux开发环境与交叉编译工具链。 扎实的数据结构与算法基础，具备良好的代码调试与性能分析能力。 4. 核心技术能力 推理框架：精通TensorRT（含cuDNN、CUDA）或ONNX Runtime，有实际项目优化经验。 压缩技术：熟悉量化训练（QAT）、训练后量化（PTQ）、剪枝、蒸馏等技术原理与实践。 架构理解：了解GPU/NPU硬件架构及AI编译器基本原理，能理解算子调度与显存管理机制。 5. 加分项 熟悉端到端自动驾驶算法流程（如UniAD、VAD）或大模型（VLM/VLA）架构。 有黑芝麻、地平线征程芯片或Jetson平台的模型部署优化经验。 在顶级会议（MLSys、CVPR、ICRA）发表过部署优化或模型压缩相关论文。 熟悉ROS2、DeepStream等中间件或数据流框架。