具身智能算法工程师（模型量化与部署方向）

到岗时间：不限 婚况要求：不限 岗位职责 61具身智能模型优化：负责具身智能核心算法（VLA、大型视觉语言模型、语音模型、感知模型）在边缘端（如NVIDIA Jetson Orin）的部署与加速。主导模型从训练态到推理态的转化，解决 大模型上机 的显存与算力瓶颈。 61深度量化与压缩实战：针对不同架构模型制定差异化压缩策略。针对Transformer类（VLA/VLM）模型，负责FP8/INT4/INT8混合精度量化，优化KV Cache显存占用，解决量化后的精度对齐与长文本推理稳定性问题；针对CNN类（感知/识别）模型，实施通道剪枝与定点量化，确保在极低算力消耗下保持高识别率。 61高性能推理引擎开发：基于TensorRT、ONNX Runtime构建高性能推理引擎。利用Python接口进行模型转换与优化，解决复杂算子不支持问题，实现多模型（视觉 语音 动作）并发推理的流水线并行。 61工程化落地与LeRobot应用：利用LeRobot等框架快速验证算法可行性，并将其转化为高性能Python生产代码。设计低延迟、高吞吐的推理服务架构，确保多模态交互（ASR/TTS）的实时性与动作控制的平滑性。 61全链路性能调优：负责从传感器数据采集、预处理、模型推理到后处理的全链路性能剖析（Profiling），定位并消除系统瓶颈，确保端到端延迟满足实时控制要求。 任职要求 61学历背景：计算机、电子工程、自动化等相关专业，本科3年以上或硕士1年以上相关工作经验。 61量化专家级能力：精通模型量化技术，深入理解PTQ（训练后量化）与QAT（量化感知训练）原理。有Transformer（LLM/VLM）与CNN混合架构的量化实战经验，能独立解决量化掉点、算子不支持等棘手问题。熟悉SmoothQuant、AWQ、GPTQ等主流量化算法者优先。 61部署加速实战：精通TensorRT或ONNX Runtime，具备深厚的模型优化功底，能熟练使用各类量化工具链。熟悉模型在嵌入式GPU（Jetson系列）上的显存管理、带宽优化及功耗控制。 61工程化与框架：精通PyTorch模型导出ONNX及TensorRT的全流程，熟悉动态Shape处理。具备极强的Python工程能力，代码逻辑严密，熟悉多线程/多进程编程及异步IO，能编写高质量、可维护的生产级代码。了解LeRobot等开源框架，能快速理解其数据流与模型接口。 61加分项：有Qwen、Llama等大模型在端侧部署经验；熟悉ASR/TTS模型的流式推理优化；在GitHub上有高星量化库或推理框架开源项目。 核心关键词：模型量化 ｜ TensorRT/ONNX加速 ｜ VLA/VLM部署 ｜ Python工程化 ｜ LeRobot ｜ 边缘计算