科大讯飞
校招AI研究算法工程师-高性能算子开发方向(J13373)
合肥 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1、基础门槛
- 硕士及以上学历，专业不限。
- 编程功底扎实，精通C++/C语言，具备良好的代码规范意识与数据结构、算法基础，熟悉操作系统核心原理。
- 熟练使用Git等代码管理工具，养成规范的开发习惯；熟练掌握linux下开发能力。
- 热爱性能优化，兼具技术视野与代码品质追求，具备良好的沟通能力、团队协作意识、责任心与自驱力，学习能力突出。
- 2、技术必备
- 熟练掌握CUDA、Ascend C等编程原理，能够基于编程语言开展算子开发工作。
- 掌握编译优化技术，清晰理解GPU/NPU架构的并行执行、内存层级与计算单元特性。
- 熟练掌握TileLang、Triton等编译原理及使用，编写和优化核心算子。
- 对硬件底层架构有清晰认知，能够结合硬件特性开展针对性优化。
- 此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
- 3、加分项
- 算子专长：有CUDA或Ascend C算子开发经验，熟悉LLM相关算子等算子库，深入理解AI加速卡硬架构和特性。
- 竞赛背景：在高性能计算相关赛事取得较好成绩。
- 框架经验：熟悉VLLM、SGlang框架，并能够灵活修改其功能者。
岗位描述
本岗位聚焦AI算力核心算子研发，致力于为AI训练、推理场景打造高性能算子与通信方案，深度联动硬件特性与软件优化，为业务落地提供坚实的算力支撑，高效释放硬件理论潜能。
- 1、算子开发与优化
- - 围绕英伟达GPU、华为NPU、海光DCU等主流硬件架构，依托编程语言和计算架构，完成大模型核心计算和通信算子研发和优化。
- - 立足芯片存储层级、计算单元、指令集特性，开展针对性性能调优，确保算子性能精准匹配硬件能力，为业务提供高效算力支持。
- 2、通信算子研发与调优
- - 针对跨卡、跨机等多样化通信场景，设计、开发并优化通信算子，保障分布式训练、推理的高效通信链路。
- 3、协同与优化
- - 紧跟模型结构与算法迭代趋势，协同框架、算法团队，设计适配硬件特性的模型方案，挖掘硬件与算法的协同潜力。
- - 围绕真实训练、推理负载开展性能分析，为模型落地提供性能优化支撑，保障业务高效运行。
- 1、基础门槛
- - 硕士及以上学历，专业不限。
- - 编程功底扎实，精通C++/C语言，具备良好的代码规范意识与数据结构、算法基础，熟悉操作系统核心原理。
- - 熟练使用Git等代码管理工具，养成规范的开发习惯；熟练掌握linux下开发能力。
- - 热爱性能优化，兼具技术视野与代码品质追求，具备良好的沟通能力、团队协作意识、责任心与自驱力，学习能力突出。
- 2、技术必备
- - 熟练掌握CUDA、Ascend C等编程原理，能够基于编程语言开展算子开发工作。
- - 掌握编译优化技术，清晰理解GPU/NPU架构的并行执行、内存层级与计算单元特性。
- - 熟练掌握TileLang、Triton等编译原理及使用，编写和优化核心算子。
- - 对硬件底层架构有清晰认知，能够结合硬件特性开展针对性优化。
此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
- 3、加分项
- - 算子专长：有CUDA或Ascend C算子开发经验，熟悉LLM相关算子等算子库，深入理解AI加速卡硬架构和特性。
- - 竞赛背景：在高性能计算相关赛事取得较好成绩。
- - 框架经验：熟悉VLLM、SGlang框架，并能够灵活修改其功能者。
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
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）
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
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
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
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
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。