蔚来
校招Super Sparks-校招-端侧大模型与AgentOS优化工程师
南京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 博士及以上学历，计算机或AI相关专业，精通C/C++/Java语言，具有大型项目的开发经验
- 熟悉大模型部署优化的思路，在模型变异、算子融合、量化、图优化、推理引擎、KV Cache等方向有实践经验
- 熟悉常用开源大模型的模型结构、SFT&RL强化训练、部署等，如Qwen系列，deepseek等
- 熟悉大模型推理引擎的完整工作流，熟悉至少一种开源推理引擎，如onnx runtime、mnn、mlc-llm、vllm
- 熟悉智能体框架的运行逻辑，有开源智能体框架实际部署经验者优先
- 热爱技术、专研精神、责任心强，具备良好的沟通能力和团队协作精神
岗位描述
主要基于智能座舱端侧部署AI大模型和端侧智能体的优化，使端侧智能体获得端到端性能的最佳体验。
- 1、负责结合端侧NPU硬件加速特性，优化大模型推理性能，包括编译，算子融合，低比特量化，KV Cache、内存优化等
- 2、负责端侧VLM/LLM模型后训练优化，设计训练逻辑，promote压缩等模型层面优化，满足端侧智能体的部署需求
- 3、负责端侧智能体和座舱OS的联合优化，记忆、安全策略，skills/tools管理，系统资源调度等系统级优化
- 4、负责端云协同的模型部署和智能体架构优化，如端云上下文共享、端云推理router设计、端到端延时优化等
- 5、负责业内和学术界前沿的端侧模型部署优化技术的预研和工程化落地
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。