数据来源：真实面经整理 | 版本：final
一、公司画像 & 校招节奏
地平线（Horizon Robotics）成立于，总部北京，由余凯创立——他此前是百度主任科学家，深度学习领域的顶尖学者之一。这个背景很重要：你能理解为什么地平线的技术基因如此纯正。
核心产品是征程系列芯片（征程5/征程6），这是专为自动驾驶设计的AI处理器，核心是地平线自研的BPU（Brain Processing Unit，脑处理单元）架构。简单类比：英伟达的GPU是通用并行计算，地平线的BPU是专为神经网络推理优化的定制芯片，功耗更低，在车端推理场景更有竞争力。
，地平线在港股上市（股票代码：9660.HK），估值约700亿港元。商业化进展非常扎实：大众汽车投资50亿欧元与地平线成立合资公司CARIZON，比亚迪、理想、长城、奇瑞等超过60家车企都在用地平线的芯片方案。这不是PPT公司，是真实跑量产的。
员工约1万人，技术人员占比超70%。这个比例在中国科技公司里算高的。你进去大概率跟工程师打交道，不用太担心内耗问题——当然也正因为此，技术能力要求非常高。
主要招聘方向：
| 方向 | 代表业务 | 技术侧重 |
|---|---|---|
| 算法工程师（最大方向） | 感知/规划/预测算法 | C++/Python，深度学习，点云 |
| 芯片架构工程师 | BPU设计，NPU微架构 | Verilog/SystemVerilog，微架构 |
| BSP/驱动工程师 | 芯片BSP，Linux驱动 | C，Linux内核，设备驱动 |
| 工具链工程师 | 模型量化/编译器 | C++/Python，编译器优化，量化 |
| 系统软件工程师 | 实时操作系统，中间件 | C/C++，RTOS，Autosar |
| 测试工程师 | 芯片验证，算法评测 | Python，仿真，数据标注 |
校招节奏（参考）：
| 阶段 | 时间 | 行动建议 |
|---|---|---|
| 暑期实习 | 竞争激烈，是最佳转正通道，提前准备 | |
| 正式网申 | horizon.cc/campus，简历突出AI/深度学习项目 | |
| 笔试 | C++/算法/AI基础，90- | |
| 技术面试 | 2-3轮技术面 + 1轮HR面 | |
| Offer发放 | 薪资水平对标顶级互联网公司 |
一个需要提前想清楚的问题：地平线是做芯片的，不是做互联网产品的。这意味着你写的代码最终跑在嵌入式设备上，有实时性要求，有功耗约束，有内存限制。如果你只喜欢做纯后端、纯前端，地平线可能不是最合适的地方。但如果你对AI+硬件的结合感兴趣，地平线是国内最好的舞台之一。
二、岗位 JD 解析：技术要求拆解
地平线的岗位差异非常大，算法工程师和芯片架构工程师的备考路径几乎不重叠。先确定投哪个方向，再针对性准备。
算法工程师（最大方向，最多校招名额）
| 能力维度 | JD描述 | 真实考察重心 | 备考权重 |
|---|---|---|---|
| 深度学习理论 | 熟悉神经网络 | 卷积计算、BN层推理行为、Transformer原理，几乎每轮必问 | ⭐⭐⭐⭐⭐ |
| 感知算法 | 目标检测/分割 | YOLO/DETR原理、3D目标检测（PointPillar/CenterPoint）、BEV感知 | ⭐⭐⭐⭐⭐ |
| C++编程 | 熟练C++ | 智能指针、多线程、内存管理，必考，不接受Python伪代码 | ⭐⭐⭐⭐⭐ |
| 模型优化 | 量化/部署经验 | FP32→INT8量化原理、TensorRT优化、在嵌入式设备的推理 | ⭐⭐⭐⭐ |
| BEV感知 | 多传感器融合 | BEVDet/BEVFusion原理，为什么BEV比前视图适合自动驾驶 | ⭐⭐⭐⭐ |
| 数学基础 | 线性代数/概率 | 矩阵运算（GEMM实现）、贝叶斯推理基础，笔试会考 | ⭐⭐⭐ |
特别说明：地平线算法岗不是纯互联网算法岗。"怎么把PyTorch模型部署到BPU上"这个问题，比"介绍一下BERT的结构"更接近真实工作内容。面试时能讲清楚部署链路的候选人，比只会讲模型结构的候选人更受欢迎。
工具链工程师（地平线特色方向）
这个方向在其他公司很少见，但在地平线非常重要——地平线的竞争力之一就是Horizon OpenExplorer工具链，让车企能够方便地把模型部署到征程芯片。
| 能力维度 | JD描述 | 真实考察重心 | 备考权重 |
|---|---|---|---|
| 编译器原理 | 了解编译器 | AST、IR优化、算子融合（conv+bn+relu合并） | ⭐⭐⭐⭐⭐ |
| 量化技术 | 模型量化经验 | PTQ/QAT原理，INT8量化的scale/zero_point计算 | ⭐⭐⭐⭐⭐ |
| C++工程 | 熟练C++ | 与算法岗要求相同，性能优化更重要 | ⭐⭐⭐⭐⭐ |
| 模型格式 | ONNX/部署 | ONNX导出、算子支持情况、自定义算子 | ⭐⭐⭐⭐ |
芯片架构 / BSP工程师
| 能力维度 | JD描述 | 真实考察重心 | 备考权重 |
|---|---|---|---|
| 数字电路 | HDL设计 | Verilog/SystemVerilog设计，时序分析，状态机 | ⭐⭐⭐⭐⭐ |
| 计算机组成 | 微架构理解 | Cache一致性，DRAM带宽，流水线设计 | ⭐⭐⭐⭐⭐ |
| Linux驱动（BSP方向） | 内核开发 | 字符设备驱动、平台驱动、DMA传输 | ⭐⭐⭐⭐⭐ |
| RTOS（系统软件方向） | 实时操作系统 | 任务调度，优先级反转，Autosar架构分层 | ⭐⭐⭐⭐ |
三、LeetCode 高频题 Top 20（真实面经数据）
地平线的LeetCode考察有一个明显特点：算法题难度不是最高优先，但AI相关算法题（NMS、IOU、GEMM）出现频率很高，而且必须用C++写。面试官不接受"大概思路是这样"，需要你当场写出正确、可运行的代码。
第一梯队（必刷，几乎每次都考）
| 题目 | 考察频率 | 地平线的考察重点 |
|---|---|---|
| No.206 反转链表 | ⭐⭐⭐⭐⭐ | C++实现，迭代+递归两种 |
| No.102 二叉树层序遍历 | ⭐⭐⭐⭐ | BFS基础，手写队列实现 |
| 快速排序（手撕） | ⭐⭐⭐⭐ | C++完整实现，分区逻辑要清晰 |
| No.146 LRU缓存机制 | ⭐⭐⭐⭐ | HashMap + 双向链表，工程设计能力 |
| No.23 合并K个排序链表 | ⭐⭐⭐⭐ | 优先队列（std::priority_queue）用法 |
第二梯队（高频，认真刷）
| 题目 | 考察频率 | 备注 |
|---|---|---|
| No.215 数组中的第K大元素 | ⭐⭐⭐ | 堆 or 快速选择，两种都要会 |
| No.15 三数之和 | ⭐⭐⭐ | 排序+双指针，边界条件容易出错 |
| No.141 环形链表 | ⭐⭐⭐ | 快慢指针，经典入门题 |
| No.236 二叉树最近公共祖先 | ⭐⭐⭐ | 递归理解，不只是背答案 |
| No.200 岛屿数量 | ⭐⭐⭐ | DFS/BFS两种，C++实现 |
| No.56 合并区间 | ⭐⭐⭐ | 排序后贪心，边界判断 |
| No.42 接雨水 | ⭐⭐⭐ | 单调栈或双指针，经典Hard |
| No.25 K个一组翻转链表 | ⭐⭐⭐ | 链表操作扎实程度的测试 |
| No.239 滑动窗口最大值 | ⭐⭐⭐ | 单调双端队列（deque） |
| No.300 最长递增子序列 | ⭐⭐ | DP + 二分优化两种解法 |
第三梯队：AI专项算法题（地平线特色，必须准备）
这是和其他公司最不一样的地方。地平线算法岗会考以下几类"AI算法题"，本质上是手写实现，而不是刷LeetCode题库。
1. NMS（非极大值抑制）手写实现
这几乎是地平线算法岗的必考题。NMS是目标检测后处理的核心步骤。面试官会让你当场写C++代码：
输入：一组检测框 boxes（每个框有x1,y1,x2,y2坐标和置信度score）
输出：经过NMS筛选后保留的检测框索引列表
参数：iou_threshold（IOU阈值，通常0.5）
伪代码逻辑：
1. 按score降序排列所有框
2. 循环：取score最高的框，加入结果列表
3. 计算该框与剩余所有框的IOU
4. 删除IOU > threshold的框（认为它们与当前框重复）
5. 重复2-4，直到没有框
2. IOU（交并比）计算
IOU = 交集面积 / 并集面积
交集 = max(0, min(x2_a, x2_b) - max(x1_a, x1_b)) * max(0, min(y2_a, y2_b) - max(y1_a, y1_b))
并集 = 面积A + 面积B - 交集
这个公式短，但容易在边界条件上出错（两个框不相交的情况）。
3. Softmax数值稳定实现
普通Softmax在指数运算时会溢出。数值稳定版：先减去最大值再做指数运算。这个考察的是对数值计算细节的理解，而不是背公式。
4. GEMM矩阵乘法实现
最基础的矩阵乘法C++实现，考察内存访问模式和缓存友好性。高阶版本可能要求谈谈如何用SIMD指令（AVX2）加速。
刷题策略总结： 1. 第一梯队5题必须能闭眼写出正确C++代码（不是Python） 2. AI专项4类题（NMS/IOU/Softmax/GEMM）至少各手写一遍，理解逻辑 3. 第二梯队10题争取在面试前都过一遍
四、技术面试考点
深度学习专项（算法岗，权重最高）
卷积神经网络基础：
- Conv层输出尺寸计算：output = (input + 2*padding - kernel) / stride + 1，这个公式要能秒答
- Batch Normalization：训练时用batch统计量，推理时用running_mean/running_var——这个区别被问到的频率极高
- Depthwise Separable Conv：MobileNet的核心，参数量和计算量的节省比例
Transformer与Vision Transformer：
- Self-Attention的计算公式：Attention(Q,K,V) = softmax(QK^T/√d_k)V
- 为什么要除以√d_k：防止点积过大导致softmax梯度消失
- ViT是怎么把图片喂进Transformer的：patch embedding，把图片切成16×16的块
目标检测核心问题： - Anchor-based（YOLO）vs Anchor-free（FCOS/CenterPoint）的本质区别和适用场景 - NMS的作用和局限（遮挡场景下的问题），Soft-NMS如何缓解 - 2D检测和3D检测的主要差异（在自动驾驶中，3D检测才有实际意义）
BEV感知（地平线重点）： - 为什么BEV（Bird's Eye View，鸟瞰图）比前视图更适合自动驾驶： - 坐标系统一，多摄像头的视角可以融合到同一平面 - 距离感更准确，不受近大远小的透视畸变影响 - 更容易与激光雷达的点云数据融合 - BEVFusion如何融合摄像头和激光雷达：图像特征投影到BEV空间，再与点云特征拼接
模型量化（工具链岗/算法岗都考）： - FP32→INT8的量化原理：用scale和zero_point参数将浮点数映射到整数范围 - PTQ（训练后量化）vs QAT（量化感知训练）：PTQ更快，QAT精度损失更小 - 量化引起精度损失的根本原因：信息压缩（32bit→8bit），激活值分布不均匀时损失更大 - 关键问题：如何判断哪层对量化敏感（逐层精度分析）
C++专项（全方向必考）
地平线的C++考察比一般互联网公司严格很多，因为代码最终要跑在资源受限的嵌入式设备上，性能是真实约束。
内存管理：
- RAII原则：资源获取即初始化，对象析构时自动释放资源——这是C++和C最大的区别之一
- unique_ptr vs shared_ptr：独占所有权 vs 共享所有权，前者零开销，后者有引用计数
- 对象池：推理框架中避免频繁new/delete的常见手段，面试可能要求手写简单实现
多线程：
- std::thread + std::atomic + std::mutex 的基本使用
- 无锁队列（lock-free queue）：用于实时推理流水线的生产者-消费者场景，考察对memory_order的理解
- 死锁的四个必要条件和预防方法
性能优化： - SIMD指令（AVX2）：一条指令处理8个float，向量化加速矩阵运算 - 内存对齐：64字节对齐，提升Cache命中率 - 缓存友好代码：行主序遍历矩阵 vs 列主序遍历的性能差异
模板编程（高级加分项）： - 类型推导（auto、decltype） - 函数模板和类模板的基本使用
芯片/系统软件专项（对应方向必考）
计算机组成原理： - Cache一致性（MESI协议）：多核处理器的缓存同步机制，芯片设计必须理解 - DRAM带宽计算：内存带宽 = 数据总线宽度 × 工作频率，是BPU性能的关键约束
Linux内核/驱动（BSP方向）：
- 字符设备驱动的注册流程：alloc_chrdev_region → cdev_init → cdev_add
- DMA传输：绕过CPU，让外设直接访问内存，减少CPU占用
- 中断处理：上半部（IRQ handler）和下半部（tasklet/work queue）的分工
RTOS与Autosar（系统软件方向）： - 实时操作系统的核心：任务调度（优先级调度/时间片调度），响应时间可预测 - 优先级反转问题和解决方法（优先级继承协议） - 经典Autosar分层架构：应用层 → RTE → BSW → MCAL
五、面经规律总结
面试风格：AI技术深度 + C++工程能力双轨制
地平线的技术面试有一个非常明显的规律：每个技术问题都有两层。
第一层是"知道不知道"——你了解这个技术概念吗？ 第二层是"能不能用"——你能用C++手写出来吗？
停在第一层是不够的。说得出BN层推理时用running_mean，但写不出代码，在地平线的面试里算没过。
五个高概率追问链
链条1：目标检测追问链 "介绍一下YOLO的检测原理" → 追问："NMS是怎么实现的？手写一下" → 追问："遮挡场景下NMS有什么问题？Soft-NMS怎么解决？"
链条2：模型量化追问链 "介绍一下INT8量化" → 追问："scale和zero_point是怎么计算的？" → 追问："QAT训练流程和普通训练有什么区别？"
链条3：C++多线程追问链 "如何用mutex保证线程安全" → 追问："无锁队列怎么实现？" → 追问："std::atomic的memory_order参数有什么用？"
链条4：BEV感知追问链 "BEV感知和前视图感知有什么区别" → 追问："BEVFusion是如何融合摄像头和激光雷达的？" → 追问："BEV特征图的分辨率和感知范围如何权衡？"
链条5：模型部署追问链 "PyTorch模型怎么部署到嵌入式设备上" → 追问："ONNX导出有什么注意事项？" → 追问："算子融合是怎么做的？能举个例子吗？"
加分项：体现行业热情
地平线的面试官非常喜欢有"自动驾驶热情"的候选人，不只是把这当成一份工作。以下几个表现会明显加分：
- 了解地平线BPU：面试前查清楚征程5/征程6的基本规格（128 TOPS / INT8算力），能主动聊BPU的设计思路
- 了解行业进展：BEVFusion、Transformer在自动驾驶中的应用，L2++和L3的技术差异
- 有端到端部署经验：哪怕是课程项目，能讲清楚"我把这个模型从PyTorch训练到部署到树莓派/Jetson上"的全流程
笔试特点
- 题型：C++/Python编程题2-3道 + AI基础选择题 + 数学题（矩阵运算/概率统计）
- 时间：90-
- 编程题难度：以Medium为主，C++实现，注意代码质量
- AI基础题：卷积输出尺寸计算、量化基础、BN层行为，不是很难但需要真正掌握
- 数学题：矩阵乘法的时间复杂度、贝叶斯公式的简单应用
需要避开的误区
误区1：只准备LeetCode AI算法题（NMS/IOU手写）不准备，是很多同学面地平线翻车的直接原因。
误区2：只会Python 地平线面试要求C++手写代码，Python伪代码不被接受。算法工程师也不例外。
误区3：只懂理论不会部署 能讲BEV感知原理，但不知道模型怎么量化、怎么导出ONNX，在地平线面试里是减分项。
误区4：忽视自动驾驶业务背景 地平线不是通用AI公司，面试官想要的是对自动驾驶真正感兴趣的人。提前了解行业背景，能让面试体验好很多。
校招节奏
总体原则
地平线的备考重心和普通互联网公司有明显差异：深度学习理论和C++工程能力的比重远高于纯算法题。的时间要集中火力，不能平均分配。
| 阶段 | 时间 | 重点任务 | 每日投入 |
|---|---|---|---|
| 深度学习基础 | CNN/Transformer/目标检测三大类模型原理 | 3- | |
| 自动驾驶AI | BEV感知/点云处理/多传感器融合基础 | 3- | |
| 模型优化 | 量化（PTQ/QAT）/剪枝/蒸馏/TensorRT部署 | 3- | |
| C++专项 | 内存管理/多线程/SIMD/性能优化 | 3- | |
| 算法+AI题 | NMS/IOU手写/LeetCode Top 20/矩阵运算 | ||
| 冲刺 | 了解地平线BPU/看面经/整理项目AI部署经验 | 2- |
每阶段详细任务
：深度学习基础 - CNN：从LeNet到ResNet，重点是每个改进解决了什么问题 - Transformer：Self-Attention手推一遍，理解Multi-head的意义 - 目标检测：YOLO/FCOS/DETR，Anchor-based和Anchor-free的对比 - 验收标准：能在纸上画出Transformer的计算图，写出Self-Attention的伪代码
：自动驾驶AI - BEV感知：为什么用BEV？BEVDet的基本结构？BEVFusion如何融合多传感器？ - 点云处理：PointPillar（体素化）和CenterPoint（3D检测）的基本原理 - 看1-2篇相关论文的Abstract和Introduction就够了，不需要精读全文 - 验收标准：能解释"为什么BEV比前视图更适合自动驾驶"的3个理由
：模型优化 - 量化：FP32→INT8的scale/zero_point计算，PTQ vs QAT的适用场景 - TensorRT：ONNX→TensorRT的基本流程，算子融合的概念 - 知识蒸馏/剪枝：了解基本原理，在自动驾驶中的适用场景 - 验收标准：能用公式推导INT8量化的scale计算，能解释QAT和PTQ的核心区别
：C++专项 - 内存管理：unique_ptr/shared_ptr的实现原理和使用场景，手写简单的shared_ptr - 多线程：mutex/condition_variable/atomic的用法，生产者-消费者模式 - 性能优化：了解SIMD概念，内存对齐的意义，cache-friendly代码的写法 - 验收标准：能手写线程安全的队列，能解释unique_ptr和shared_ptr的区别
：算法+AI题专项 - 第一梯队5题：反转链表/层序遍历/快排/LRU/合并K链表，每题C++手写3遍 - AI专项4题：NMS/IOU/Softmax数值稳定版/GEMM，各手写1-2遍 - 第二梯队10题：各刷一遍，重点理解思路 - 验收标准：NMS完整C++代码能在内写完且正确
：冲刺 - 了解地平线：征程系列芯片的规格（128 TOPS/256 TOPS），BPU的设计思想 - 整理项目经历：把自己的AI项目整理成"训练→优化→部署"的完整链路来描述 - 看近期面经：重点关注算法岗和工具链岗的最新考察点 - 模拟面试：对着镜子或找朋友，把5个追问链各讲一遍
最低备考标准（入场门槛）
- [ ] NMS手写：能在纸上写出正确的C++代码，逻辑完整
- [ ] 模型量化：FP32→INT8的scale/zero_point计算原理能解释清楚
- [ ] C++ RAII：能解释RAII，unique_ptr和shared_ptr的区别，以及使用场景
- [ ] BEV感知：能说出BEV比前视图更适合自动驾驶的2-3个理由
- [ ] 地平线背景：了解征程芯片的基本情况（系列/算力规格），能体现行业热情
达不到以上5条标准，面试地平线的胜算很低。这不是吓人，是实话。
备考资源推荐
- 深度学习理论：李沐的《动手学深度学习》（d2l.ai），免费，中文，质量极高
- 目标检测：YOLO/PointPillar论文原文，重点读Introduction和Method
- C++：《Effective Modern C++》（Scott Meyers），第4章智能指针必读
- 模型量化：NVIDIA的TensorRT文档，量化概念部分
- BEV感知：BEVFusion论文（MIT版本），Abstract+图1+Method前半段