腾讯
实习面向前沿大模型的数据压缩技术及微架构设计研究
深圳总部 · 实习 · 博士
长期有效
任职要求
- 1、包括但不限于计算机科学与技术、微电子、电子工程、自动化、应用数学等相关专业的博士/硕士同学。在计算机体系结构、高性能计算或AI系统方向有深厚积累者优先。
- 2、熟练掌握Linux环境下的C/C++、Python语言；
- 3、熟悉前沿大模型及其主流框架；
- 4、熟悉数据压缩算法；
- 5、熟悉至少一种并行计算架构，熟悉其编程模型，并知晓其优缺点;
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：
上下文和模型规模增长，导致推理中的通信和访存需求剧增，成为系统性能瓶颈。数据压缩技术可有效降低权重、KV Cache 等传输数据量，从而减少带宽压力。因此，研究高效的压缩算法及其对应的硬件微架构设计，对提升模型运行效率具有重要意义。
课题挑战：
大模型的权重和 KV Cache 数据分布复杂，为高压缩率算法选型带来挑战。在定制硬件上实现压缩算法面临多方面约束：面积与功耗预算有限，要求算法具备较低的时空复杂度；系统需具备一定的错误检测与恢复能力。同时，大模型负载对吞吐量和实时性要求严格，压缩、解压缩操作须支持高速、流水化或延迟掩盖。因此，算法与硬件微架构设计需在压缩率、硬件开销、性能与可靠性之间取得平衡。
具体工作：
分析大模型可压缩数据范围与特征，构建压缩算法模型，筛选适用算法簇；结合面积、功耗、错误恢复、吞吐和实时性要求，优化选取压缩算法并完成其硬件微架构设计；总结压缩算法建模与微架构优化方法论，输出量化报告以指导实现。
【任职要求】
- 1、包括但不限于计算机科学与技术、微电子、电子工程、自动化、应用数学等相关专业的博士/硕士同学。在计算机体系结构、高性能计算或AI系统方向有深厚积累者优先。
- 2、熟练掌握Linux环境下的C/C++、Python语言；
- 3、熟悉前沿大模型及其主流框架；
- 4、熟悉数据压缩算法；
- 5、熟悉至少一种并行计算架构，熟悉其编程模型，并知晓其优缺点;
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【技术方向】
AI基础设施、系统与安全
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。