移动端AI推理引擎优化工程师

杭州/深圳 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 本科及以上学历，计算机、电子工程、数学、人工智能等相关专业；
2. 精通 C/C++，熟悉现代C++标准（C++17/20），具备良好的代码风格和内存管理能力；熟悉Python脚本编写；
3. 深入理解计算机体系结构，熟悉ARM架构特性（NEON指令集、缓存机制、内存对齐等），有汇编优化经验者优先；
4. 熟悉主流深度学习框架（PyTorch, TensorFlow, ONNX），理解常见神经网络结构及算子原理；
5. 了解多线程编程（pthread, std::thread）及并行计算技术（OpenCL, Vulkan, CUDA）。
【加分项】
1. 有实际的移动端AI部署经验，或在GitHub上有相关开源项目贡献（如MNN, TNN, ncnn, llama.cpp等）；
2. 熟悉模型量化原理，有处理过量化敏感模型或自定义量化算子的经验；
3. 熟悉Transformer架构，有在移动端部署Llama, Qwen, ChatGLM等大模型的经验，了解Speculative Decoding等技术；
4. 熟悉MLIR、TVM、XLA等编译器基础设施，有算子融合（Operator Fusion）或自动代码生成经验；
5. 在ACM/ICPC、Kaggle或各类AI系统优化竞赛中获得过优异成绩。

岗位描述

1. 参与公司自研或开源（如MNN, TNN, NCNN, TVM, MLIR等）移动端推理引擎的开发，针对ARM CPU、GPU (Adreno/Mali)、NPU (Hexagon/Neural Engine) 进行算子性能优化；
2. 负责深度学习模型的量化策略研究（PTQ/QAT），实现INT8/INT4甚至更低精度的推理加速，同时保证模型精度损失最小化；
3. 参与LLM（大语言模型）或多模态模型在移动端的部署优化，包括KV Cache管理、显存优化、流式生成加速及低功耗推理策略；
4. 研究和实现基于不同硬件后端的自动调度策略，提升模型在复杂场景下的推理效率和能效比；
5. 参与模型转换工具、性能分析Profiler、调试工具的开发，提升算法工程师的端侧部署效率。
1. 本科及以上学历，计算机、电子工程、数学、人工智能等相关专业；
2. 精通 C/C++，熟悉现代C++标准（C++17/20），具备良好的代码风格和内存管理能力；熟悉Python脚本编写；
3. 深入理解计算机体系结构，熟悉ARM架构特性（NEON指令集、缓存机制、内存对齐等），有汇编优化经验者优先；
4. 熟悉主流深度学习框架（PyTorch, TensorFlow, ONNX），理解常见神经网络结构及算子原理；
5. 了解多线程编程（pthread, std::thread）及并行计算技术（OpenCL, Vulkan, CUDA）。

【加分项】

1. 有实际的移动端AI部署经验，或在GitHub上有相关开源项目贡献（如MNN, TNN, ncnn, llama.cpp等）；
2. 熟悉模型量化原理，有处理过量化敏感模型或自定义量化算子的经验；
3. 熟悉Transformer架构，有在移动端部署Llama, Qwen, ChatGLM等大模型的经验，了解Speculative Decoding等技术；
4. 熟悉MLIR、TVM、XLA等编译器基础设施，有算子融合（Operator Fusion）或自动代码生成经验；
5. 在ACM/ICPC、Kaggle或各类AI系统优化竞赛中获得过优异成绩。

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 →