AI研究算法工程师-深度学习框架和平台方向(J13384)

合肥 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

1. 硕士及以上学历，计算机、软件工程、电子信息、自动化等相关专业
2. 具备扎实的数据结构、算法、操作系统、计算机体系结构和分布式系统基础
3. 熟练掌握 Python，熟悉 C/C++及 Linux 开发环境，具备良好的代码质量和工程实践能力
4. 熟悉 PyTorch 等深度学习框架的执行、算子、自动微分和分布式机制，具备源码分析或二次开发能力
5. 熟悉 Transformer、大模型训练或推理基本原理，了解常见并行策略、显存优化及推理性能指标
6. 具备较强的性能分析、故障定位和复杂问题闭环能力
7. 具备良好的沟通协作能力，能够与算法、芯片、平台及业务团队协同推动落地。
【加分项】
1. 有 Megatron、DeepSpeed、FSDP、vLLM或SGLang等训推框架开发调优经验
2. 熟悉 CUDA、Ascend C、TileLang、Triton 等编程和算子优化技术
3. 有国产 NPU、大规模分布式训练或生产级推理服务实践
4. 熟悉 NCCL/HCCL、RDMA及多机多卡通信优化
5. 有 MLIR、TVM、XLA等编译器或图优化经验
6. 有高质量开源贡献、技术专利，或在系统、体系结构及机器学习领域重要会议发表论文。

岗位描述

1. 参与大模型训练框架、推理引擎及服务化平台研发，提升系统效率、稳定性和可扩展性；
2. 负责深度学习框架、关键算子及异构计算平台的适配与优化，解决核心技术问题；
3. 建设训练与推理的性能评测、问题诊断和质量保障体系；
4. 支撑重点业务的模型训练与部署，沉淀标准化、可复用的平台工具、技术方案和最佳实践；
5. 跟踪 AI Infra 前沿技术，推动研究成果工程化、平台化落地及团队技术能力建设。
1. 硕士及以上学历，计算机、软件工程、电子信息、自动化等相关专业；
2. 具备扎实的数据结构、算法、操作系统、计算机体系结构和分布式系统基础；
3. 熟练掌握 Python，熟悉 C/C++及 Linux 开发环境，具备良好的代码质量和工程实践能力；
4. 熟悉 PyTorch 等深度学习框架的执行、算子、自动微分和分布式机制，具备源码分析或二次开发能力；
5. 熟悉 Transformer、大模型训练或推理基本原理，了解常见并行策略、显存优化及推理性能指标；
6. 具备较强的性能分析、故障定位和复杂问题闭环能力；
7. 具备良好的沟通协作能力，能够与算法、芯片、平台及业务团队协同推动落地。

【加分项】

1. 有 Megatron、DeepSpeed、FSDP、vLLM或SGLang等训推框架开发调优经验；
2. 熟悉 CUDA、Ascend C、TileLang、Triton 等编程和算子优化技术；
3. 有国产 NPU、大规模分布式训练或生产级推理服务实践；
4. 熟悉 NCCL/HCCL、RDMA及多机多卡通信优化；
5. 有 MLIR、TVM、XLA等编译器或图优化经验；
6. 有高质量开源贡献、技术专利，或在系统、体系结构及机器学习领域重要会议发表论文。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →