阿里巴巴
校招AI编译器设计实现-阿里星
北京/成都/杭州/上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 计算机科学、软件工程或相关专业，硕士及以上学历（博士优先）
- 深入理解LLM模型架构和原理，编译原理和分布式并行计算
- 熟悉 MLIR/TVM/OpenXLA 等主流AI编译器框架的架构和实现
- 扎实的 C/C++/Python 编程能力，良好的数据结构和算法基础
- 对计算机体系结构有基本理解，了解指令集、流水线、存储层次等概念
- 加分项
- 参与过 vLLM/PyTorch等主流开源框架的开发
- 有完整AI编译器设计开发经历
岗位描述
从主流模型支持到算子代码生成，AI编译器是自研 AI 芯片快速支持模型的核心技术。随着模型整体规模的增大，模型算法也出现了稀疏化和复杂化的趋势，AI编译面临新的挑战，如何选择并行算法，如何部署分布式数据访问，如何在计算的同时隐藏通讯时间等。
你将依据模型发展趋势和自研AI芯片的特点参与设计和迭代AI编译器的方案，并和团队一起基于最先进的AI原生软件技术开发新的编译器。你的工作将决定自研AI芯片能否被新的模型充分利用，意义重大。
- • 面向LLM模型，开发图编译器和算子编译器
- • 设计编译器中间表示，解决模型自动并行化、分布式数据、计算和通信隐藏等技术难题
- • 与硬件团队协作，参与性能分析，确保编译器能充分利用硬件特性
- • 计算机科学、软件工程或相关专业，硕士及以上学历（博士优先）
- • 深入理解LLM模型架构和原理，编译原理和分布式并行计算
- • 熟悉 MLIR/TVM/OpenXLA 等主流AI编译器框架的架构和实现
- • 扎实的 C/C++/Python 编程能力，良好的数据结构和算法基础
- • 对计算机体系结构有基本理解，了解指令集、流水线、存储层次等概念
加分项
- • 参与过 vLLM/PyTorch等主流开源框架的开发
- • 有完整AI编译器设计开发经历
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。