芯片软件工程师-软硬件结合系统优化方向

上海 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

1. 计算机、电子相关专业硕士/博士及以上学历，精通 C/C++；
2. 学习能力强，对新事物保有好奇心，不自我设限，勇于探索；
3. 有极客精神，追求性能的极致优化，对困难问题有追问到底的好奇心;
4. 良好的沟通能力和团队协同能力，能与他人合作，共同完成目标。
【加分项】：
1. 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验；
2. 有 Pytorch/vLLM/sglang 等开源框架的深度使用或代码贡献经历；
3. 熟悉云计算和AI场景，对于AI相关算法有深入理解；
4. 熟悉系统软件（linux kernel/虚拟化/编译器等）。

岗位描述

1. 深入观测和分析数据中心芯片重点业务特点，识别软件热点，硬件瓶颈等，提出优化方案；
2. 基于对真实业务的观察和分析，对业务进行合理的抽象与简化，建立高效的芯片软硬件性能评估体系框架，提升软硬件性能迭代的效率；
3. 深度参与重点计算、通信加速库的算法性能分析优化工作，和加速库团队合作将重要算子性能推向极致；
4. 深入理解和分析通用计算，AI芯片的硬件底层微架构设计特性，软硬件协同发挥现有硬件的每一份硬件能力；
5. 保持追踪业界最新的技术发展，将业界的技术演进能够拆解，映射到底层芯片的迭代演化上，参与硬件架构团队共同定义下一代硬件，推进软硬件共同前进。
1. 计算机、电子相关专业硕士/博士及以上学历，精通 C/C++；
2. 学习能力强，对新事物保有好奇心，不自我设限，勇于探索；
3. 有极客精神，追求性能的极致优化，对困难问题有追问到底的好奇心;
4. 良好的沟通能力和团队协同能力，能与他人合作，共同完成目标。

【加分项】：

1. 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验；
2. 有 Pytorch/vLLM/sglang 等开源框架的深度使用或代码贡献经历；
3. 熟悉云计算和AI场景，对于AI相关算法有深入理解；
4. 熟悉系统软件（linux kernel/虚拟化/编译器等）。

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 →