科大讯飞
校招AI研究算法工程师-大模型训练/推理Infra方向(J13367)
合肥/北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、本科及以上学历，计算机相关专业，具备扎实的计算机体系结构、操作系统、数据结构与算法基础。
- 2、精通 C++/Python，具备良好的工程代码能力；深入理解 Transformer 模型原理，熟悉 PyTorch 等深度学习框架底层执行机制。
- 3、满足至少一项核心实践经验：
- 有 DeepSpeed/Megatron-LM/VERL/SLIME 等分布式训练框架的调优与二次开发经验，熟悉多机多卡通信原理与显存优化方案。
- 有 vLLM/SGLang/TensorRT-LLM 等推理框架的优化或二次开发经验，掌握 KV Cache、动态批处理、模型量化等核心推理技术。
- 掌握 AscendC/CUDA/Triton/Tilang 等至少一种算子开发语言，有独立的高性能 GPU 算子开发与性能调优经验。
- 对极致性能有追求，具备较强的系统瓶颈分析与问题定位能力。
- 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。
- 加分项
- 1、有 MoE 模型训推优化、强化学习训练加速相关项目经验。
- 2、有主流开源训推框架的核心代码贡献经历。
- 3、有高性能计算领域竞赛获奖或顶会论文产出。
- 4、在 SC/ISC/ASC 等高性能计算赛事或 ICPC/NOI 等算法竞赛中取得优异成绩。
- 5、对技术有极致追求，习惯于从底层原理出发分析和解决系统性能问题。
岗位描述
专注通用大模型的训练与推理全链路工程性能优化，攻坚底层技术瓶颈，极致挖掘算力潜力，打造稳定、可靠的工程底座支持算法持续创新迭代。
- 1. 大规模分布式训练系统：攻坚万卡级集群下的通信优化、显存墙突破与计算协同调度，构建国产算力集群的深度适配与性能调优能力。
- 2. 前沿RL后训练系统：构建强化学习高吞吐异步训推框架，优化PPO/GRPO/ReMax等算法工程流水线，设计AgentRL分布式环境交互系统，支撑RLVR/OPD等新算法快速迭代。
- 3. 推理引擎全链路加速：深耕算子融合、KV Cache多级管理与调度优化、动态批处理调度、量化推理及长上下文推理优化，同时主导推理后端在国产芯片上的异构适配与SLA保障。
- 4. 训推一体架构与算法协同：与算法团队深度耦合，设计训推一体工程架构，打通模型训练到推理部署的快速反馈闭环，前瞻探索MoE/Attention等新架构在分布式系统上的最佳落地路径。
- 1、本科及以上学历，计算机相关专业，具备扎实的计算机体系结构、操作系统、数据结构与算法基础。
- 2、精通 C++/Python，具备良好的工程代码能力；深入理解 Transformer 模型原理，熟悉 PyTorch 等深度学习框架底层执行机制。
3、满足至少一项核心实践经验：
-有 DeepSpeed/Megatron-LM/VERL/SLIME 等分布式训练框架的调优与二次开发经验，熟悉多机多卡通信原理与显存优化方案。
-有 vLLM/SGLang/TensorRT-LLM 等推理框架的优化或二次开发经验，掌握 KV Cache、动态批处理、模型量化等核心推理技术。
-掌握 AscendC/CUDA/Triton/Tilang 等至少一种算子开发语言，有独立的高性能 GPU 算子开发与性能调优经验。
-对极致性能有追求，具备较强的系统瓶颈分析与问题定位能力。
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。
加分项
- 1、有 MoE 模型训推优化、强化学习训练加速相关项目经验。
- 2、有主流开源训推框架的核心代码贡献经历。
- 3、有高性能计算领域竞赛获奖或顶会论文产出。
- 4、在 SC/ISC/ASC 等高性能计算赛事或 ICPC/NOI 等算法竞赛中取得优异成绩。
- 5、对技术有极致追求，习惯于从底层原理出发分析和解决系统性能问题。
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。