高性能计算库优化（RISC-V方向）

杭州/上海 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

1、硕士及以上学历，计算机科学、软件工程、电子信息、微电子、数学或相关专业；
2、具备扎实的 C/C++ 编程基础，熟悉数据结构与算法，了解编译原理、操作系统及计算机体系结构；
3、了解 CPU 微架构基本原理，对流水线、Cache、分支预测、访存系统等有一定认识，具备基础的性能分析与问题定位能力；
4、了解汇编语言及 SIMD/向量化编程，具备 RVV、Neon、AVX 等指令集相关项目或科研经验者优先；
5、熟悉 Linux 开发环境，使用过 Perf、GDB、Valgrind、火焰图等性能分析或调试工具者优先；
6、具备良好的英语听说读写能力，以及文档编写、沟通协调和团队协作能力；
7、对 RISC-V、底层软件、高性能计算及软硬件协同优化方向充满兴趣；
8、具有 OpenBLAS、BLIS、FFTW、Intel oneMKL、鲲鹏 KML 等计算库优化经验，或具有开源项目 Upstream 贡献经验者优先。

岗位描述

致力于高性能计算库在 RISC-V CPU 平台上的开发与性能优化，参与从算法分析、性能建模、向量化实现到软硬件协同优化的全流程闭环。我们希望引入具备体系结构思维、底层软件开发能力和性能优化兴趣的校招生，在新一代 RISC-V 处理器平台上推动基础软件性能提升与生态建设。主要工作包括但不限于：

1、参与 Math、FFT、BLAS、数据压缩及多媒体等高性能计算库在 RISC-V CPU 平台上的移植、开发与性能优化；
2、开展计算热点与性能瓶颈分析，通过算法优化、访存优化、编译优化、SIMD 向量化、汇编优化及多线程并行等方式持续提升计算性能；
3、与硬件研发团队紧密协同，参与 CPU 微架构级性能分析及硬件特性早期评审，从软件角度提出架构需求与优化建议；
4、参与新硬件平台上的计算库适配、性能建模与验证，协同定位软硬件接口、功能及性能问题，推动软硬件联合优化；
5、参与相关开源社区建设，向上游社区提交 Patch、参与 Code Review，推动优化成果合入主线；
6、跟踪 RISC-V 指令集、CPU 微架构及高性能计算领域的技术动态，探索新算法、新指令和新硬件特性的落地应用。
1、硕士及以上学历，计算机科学、软件工程、电子信息、微电子、数学或相关专业；
2、具备扎实的 C/C++ 编程基础，熟悉数据结构与算法，了解编译原理、操作系统及计算机体系结构；
3、了解 CPU 微架构基本原理，对流水线、Cache、分支预测、访存系统等有一定认识，具备基础的性能分析与问题定位能力；
4、了解汇编语言及 SIMD/向量化编程，具备 RVV、Neon、AVX 等指令集相关项目或科研经验者优先；
5、熟悉 Linux 开发环境，使用过 Perf、GDB、Valgrind、火焰图等性能分析或调试工具者优先；
6、具备良好的英语听说读写能力，以及文档编写、沟通协调和团队协作能力；
7、对 RISC-V、底层软件、高性能计算及软硬件协同优化方向充满兴趣；
8、具有 OpenBLAS、BLIS、FFTW、Intel oneMKL、鲲鹏 KML 等计算库优化经验，或具有开源项目 Upstream 贡献经验者优先。

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 →