算法工程师（模型与部署方向）

工作内容
职位概览
我们正在寻找对端到端自动驾驶、多模态大模型（VLM/VLA）、世界模型（World Model）以及模型高效部署有热情的工程师。你将参与开发下一代智能驾驶算法，协助解决大参数量模型在车规级芯片上的实时运行难题，通过量化、训练策略优化，让 AI 更好地理解物理世界、预测环境演变并执行驾驶决策。

核心职责
大模型研发支持：参与视觉语言模型（VLM）或视觉-语言-动作模型（VLA）在自动驾驶场景下的微调（SFT）及数据闭环建设，在资深工程师指导下推动模型持续迭代。
世界模型研发参与：参与自动驾驶世界模型（World Model）的研发，协助构建能够预测环境动态演变、生成驾驶场景视频（如基于 Diffusion / 自回归的时空预测）的模型，为规划决策提供前瞻性环境推演能力，并探索利用世界模型进行长尾场景的数据增广与仿真验证。
量化算法实施：针对 Transformer/Diffusion 等架构，研究并落地量化算法（如 PTQ、QAT、INT8/INT4 量化），在指导下确保模型在有限算力下保持精度，并协助建立量化前后的精度—性能评估闭环。
算法部署支持：配合工程团队，将感知、预测或决策模型转化为高效的推理引擎，协助解决量化掉点、算子融合、访存瓶颈等问题，协助达成车端实时性与吞吐指标。
前沿技术跟踪与复现：调研并复现相关顶会论文（CVPR, ICCV, NeurIPS 等），评估大模型与世界模型在自动驾驶长尾场景中的工程可行性。

任职条件
任职要求
教育背景：计算机、自动化、机器人或数学相关专业硕士及以上学历。
工作经验：具备 1 年以上相关工作经验或扎实的研究背景（含大模型训练/微调、量化压缩、自动驾驶算法或世界模型研发等方向）；优秀应届毕业生亦可考虑。
编程功底：熟练掌握 Python，了解 C++，具有 PyTorch 或 TensorFlow 的开发经验。
算法基础（满足其中 2 项即可）：
了解常见的视觉骨干网络及 Transformer 架构。
了解量化基本原理（如混合精度训练、PTQ/QAT、剪枝、蒸馏等）。
了解 VLM/VLA 的基本原理。
了解自动驾驶世界模型（World Model）的基本概念。
领域经验（非全部要求）：
有自动驾驶算法相关的项目或实习经验。
有大模型微调（LoRA, DeepSpeed）经验或分布式训练的了解。
有视频生成、世界模型或驾驶场景仿真相关研究/课程经验。
有 TensorRT、ONNX Runtime 或 TVM 等部署工具链的实践或学习经验。
软素质：具备良好的逻辑思维与英文文献阅读能力，结果导向、能独立推进模块级任务落地；具备跨团队协作与沟通能力，以及耐心排查问题的工程化思维。

加分项
在视觉、机器人或机器学习相关会议/期刊发表过论文。
在世界模型、视频生成或自动驾驶仿真方向有研究积累或开源贡献。
在开源社区（如 GitHub）有个人项目，或对量化库有使用/贡献经验。
有车规级芯片（如 NVIDIA Orin、地平线 J5/J6、黑芝麻 A1000 等）上模型部署的实践或学习经验。
在模型压缩或自动驾驶相关竞赛（如 Argoverse, Waymo Challenge）中参与并获得佳绩。