小鹏汽车
校招【27届校招】具身智能模型部署工程师
深圳 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 计算机、人工智能、电子工程、自动化等相关专业本科及以上学历，面向应届毕业生
- 熟练掌握 C++ 或 Python，具备良好的数据结构、算法和软件工程基础
- 理解深度学习基本原理，熟悉 Transformer、视觉或多模态模型的基本结构与计算特点
- 熟悉 PyTorch 等训练框架，了解模型导出、转换和推理部署的基本流程
- 对模型性能优化有兴趣，能够结合日志、性能数据和实验结果分析定位问题
- 具备良好的学习能力和动手能力，有相关课程设计、实习、科研或个人项目经验。
- 加分项：
- 有 LLM、VLM、VLA 或多模态模型部署与优化项目经验
- 熟悉 ONNX、TensorRT、llama.cpp、MLC LLM 或芯片推理 SDK
- 了解 PTQ、QAT、混合精度等量化方法，并有精度对齐实践
- 有 CUDA、NPU、嵌入式 Linux 或开发板模型部署经验
- 在 AI 系统、编译器、并行计算相关竞赛、开源项目或论文中有突出成果。
- 我们期望你具备的特质：
- 学习能力：愿意持续学习模型、运行时和芯片平台知识，能够快速进入新的技术领域
- 工程思维：重视数据、实验和代码质量，能够把想法转化为可验证、可复现的工程结果
- 探索精神：对模型如何在真实机器人上高效运行保持好奇，愿意深入定位和解决复杂问题。
岗位描述
负责具身智能模型在机器人端和小鹏自研芯片平台上的适配、优化与部署，参与模型转换、量化、性能评测、精度验证和上线发布全流程。通过工程优化提升模型推理性能、资源利用率和运行稳定性，推动算法能力高效落地到机器人产品。
岗位职责
- 1、负责 VLM、VLA、多模态及其他具身智能模型在小鹏自研芯片平台上的转换、适配、量化与部署；
- 2、开展端侧推理性能评测与优化，分析时延、内存、功耗和算力利用率等关键指标；
建立模型精度对齐与自动化回归能力，定位模型转换、量化及算子适配过程中的精度问题；
- 3、参与模型部署工具链建设，完善模型转换、性能基准、端侧验证和发布流程；
与算法和芯片团队协作，从模型设计阶段参与部署可行性评估，推动模型在机器人端稳定运行。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。