小鹏汽车
实习具身大模型部署与优化实习生
深圳 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 计算机、人工智能、自动化、机器人等相关专业在读硕士、博士、优秀本科生
- 具备扎实的深度学习基础，熟悉 Transformer 架构，对 VLA 等主流模型有深入理解
- 熟悉 C++/Python，具备良好的代码风格和算法实现能力
- 有以下至少一项经验：
- -模型量化（PTQ/QAT/混合精度）与精度-速度 trade-off 调优
- -CUDA 编程与 GPU kernel 优化
- -嵌入式 NPU 部署（高通/联发科/NVIDIA Orin）
- -熟悉至少一种推理框架：TensorRT / ONNX Runtime / vLLM / TensorRT-LLM
- 具备优秀的逻辑思维和文献阅读能力，能够快速理解并实现推理框架中的核心思想
- 实习时间： 每周可实习 4 天以上，持续时间不少于 4 个月（半年以上优先）。
- 【加分项】
- 有 LLM 推理服务的生产环境运维经验（vLLM/TGI/Triton）
- 有端侧大模型部署量化经验（手机/车载/机器人）
- 熟悉 KV-cache 优化、PagedAttention、投机解码等 LLM 推理加速技术
- 有大型开源项目（如 vLLM / TensorRT-LLM 等）贡献经验者优先
- 在知名 AI 竞赛或机器人挑战赛中取得优异成绩。
岗位描述
负责将大语言模型、多模态模型和具身智能模型高效部署到机器人端侧芯片和云端，实现低延迟实时推理。
- 1、负责VLA（操作模型）等大模型在自研芯片上的端侧部署，完成模型量化（INT8/INT4/FP8）、图优化和推理加速；
- 2、设计和优化模型推理服务（基于 vLLM/TensorRT-LLM），支撑 VLA 推理的低延迟需求；
- 3、建立模型部署的标准化流程：模型转换→量化→性能基准测试→端侧验证→上线发布；
- 4、模型优化，参与大模型的量化部署工作，探索模型在嵌入式端侧的高效运行；
- 5、与算法团队协作，从模型设计阶段介入，提供部署可行性评估和性能预估。
- 6、实验验证： 协助将算法部署至真实人形机器人平台，进行效果调试与性能评估。
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。