阿里巴巴
校招高性能计算加速软件工程师
上海 · 校招 · 2027 届 · 博士
长期有效
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. 基础扎实：对数据结构、算法、操作系统及计算机体系机构有深刻的理解；
- 3. 具备快速学习能力和动手能力，能主动追踪社区最前沿的 AI 加速技术。
- 4. 加分项：
- ○ 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验；
- ○ 有 Pytorch/vLLM/sglang/cutlass 等开源框架的深度使用或代码贡献经历；
- ○ 熟悉大模型相关技术（如量化、KV Cache 管理、MoE 负载均衡等）；
- ○ 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。
岗位描述
- 1. 深入研究 Attention、MoE、Gemm、Conv 等模型架构与核心计算模式，设计并实现极致性能的计算内核，支撑大语言模型、自动驾驶、具身智能等关键场景的高效推理与训练；
- 2. 深入分析 AI 芯片硬件底层微架构特性，软硬协同设计榨干芯片每一份性能潜力；
- 3. 深度参与主流推理与训练框架（如 PyTorch、vLLM、SGLang）的性能优化，落实 Qwen、DeepSeek 等千亿级参数模型的极速部署；
- 4. 追踪 AI 领域最新的加速技术方案，与芯片架构团队紧密协作，共同定义下一代 AI 芯片的计算原语与编程模型，推动软硬一体的技术演进；
- 5. 探索并落地 Agent 智能体驱动的高效开发范式——重新定义 kernel 开发、调优与性能泛化的效率上限。
- 1. 计算机、电子相关专业硕士/博士及以上学历；精通 C/C++；
- 2. 基础扎实：对数据结构、算法、操作系统及计算机体系机构有深刻的理解；
- 3. 具备快速学习能力和动手能力，能主动追踪社区最前沿的 AI 加速技术。
4. 加分项：
○ 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验；
○ 有 Pytorch/vLLM/sglang/cutlass 等开源框架的深度使用或代码贡献经历；
○ 熟悉大模型相关技术（如量化、KV Cache 管理、MoE 负载均衡等）；
○ 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。
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。