接着上篇的节奏，这篇进入华为的AI端侧推理工程师面试。华为的面试有个特点——不喜欢背书式的回答，更看重你对—模型压缩/端侧部署/昇腾NPU的工程理解。讲真，这种面试风格我觉得更靠谱，能筛掉只会背八股的人。模型量化：华为为什么重点考这个华为的AI端侧推理工程师面试，模型量化几乎是必考项。这跟他们产品线的技术需求直接相关——人形机器人(内部)对模型量化的要求很高。面试官问：“INT8量化对模型精度影响多大？”INT8量化通常精度损失1-3% mAP（检测任务）。关键是用PTQ（训练后量化）还是QAT（量化感知训练）。PTQ简单但精度损失大，需要校准数据集。QAT在训练时模拟量化误差，精度损失最小但需要重新训练。对于SLAM和检测模型，推荐QAT——在原始训练框架里加fake quantization节点，训练几个epoch就能恢复大部分精度。部署时用TensorRT或ONNX Runtime做INT8推理，在Jetson Orin上可以加速3-5倍。面试官追问：“如果实际工程中遇到这个问题，你怎么排查？”我们项目里最终选了这个方案，主要考虑是稳定性和可维护性。性能上它不是最优的，但在各种异常场景下（传感器掉线、通信超时、负载突变）表现最稳定。踩过的最大的坑是初始化阶段——如果初始状态估计不准，后面整个pipeline都会出问题。有个细节面试官可能不会明说但很在意——你对模型量化的理解是停留在论文层面还是有工程落地经验。能说出具体参数和踩坑经历的，加分很明显。NPU部署：华为为什么重点考这个华为的AI端侧推理工程师面试，NPU部署几乎是必考项。这跟他们产品线的技术需求直接相