顶尖应届-端侧大模型算法工程师-软件

优缺点分析

角色解读

• 技术纵深发展：成为移动端AI优化专家，主导端侧模型架构设计
• 横向扩展：转向AI芯片设计、编译器优化或云端大模型训练
• 管理路线：带领算法优化团队，负责产品级AI解决方案交付
• 将大模型等算法部署到手机芯片上，进行性能优化，确保模型在端侧高效运行
• 开发移动端深度学习框架，编写和优化底层算子，充分利用芯片的算力
• 研究模型量化、压缩等加速技术，改写模型结构以适配移动端硬件
• 撰写技术论文和专利，推动团队技术积累和行业影响力
• 扎实的C/C++编程能力，熟悉深度学习原理和常见神经网络架构
• 掌握模型量化、压缩、推理加速等优化方法，了解大模型加速技术如投机采样、GQA等
• 有移动端推理框架（如TFLite、NCNN）或嵌入式平台（ARM、DSP）开发经验者优先
• 具备论文撰写和开源贡献能力，能独立解决复杂技术问题

申请策略

• 关注小米在AIoT和手机AI上的业务布局，在面试中展现对端侧场景的理解
• 提前了解小米移动端AI框架（如MACE）或相关开源项目，增加共鸣点
• 突出C/C++项目经验，尤其是性能优化或底层开发相关的工作
• 展示深度学习项目，特别是模型部署、量化、压缩方面的实践
• 如有移动端推理框架（TFLite、NCNN等）的使用或二次开发经历，务必详细描述
• 强调论文、专利或开源贡献，体现研究和工程能力
• 提前学习大模型常用加速技术（如FlashAttention、量化感知训练）
• 练习使用至少一种移动端推理框架进行模型转换和性能调优

面试指南

• 针对优化类问题：先分析瓶颈（计算、内存、IO），再提出具体优化手段（量化、算子融合、内存复用），最后给出可量化的预期效果
• 针对部署类问题：说明整体流程（模型导出、格式转换、量化校准、性能测试），并强调在小米硬件上的适配考虑
• 请详细讲一下你过去做过的模型量化或压缩项目，遇到了哪些挑战？
• 如何将一个PyTorch模型部署到手机端并保持较高推理速度？
• 解释一下Swin Transformer的结构，并讨论在移动端部署的难点
• 你如何优化一个卷积算子使其在ARM CPU上运行更快？
• 大模型在端侧推理时，显存和算力不足，你会采用哪些方案？
• 复习深度学习模型量化、蒸馏、剪枝等压缩技术原理，准备1-2个完整的项目案例