黑芝麻
AI模型优化部署工程师(J11143)
AI模型优化部署工程师(J11143)
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Ai编译器
Npu
Onnx
Ptq
Pytorch
Qat
Tensorflow
大语言模型
模型量化
值不值得投
73综合评分
综合评分 73
前沿AI量化部署岗位，技术深度高，发展性好，但办公模式和WLB未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
28K
比算法优化工程师中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
24 个在招 · 其中算法优化工程师 4 个
市场机会
选择面较广
上海 · 算法优化工程师 · 约 110 个在招
职位详情
关于这个职位
该职位负责AI模型的量化工具链开发、精度分析、在NPU硬件上的部署适配，以及自研AI编译器的功能开发和性能优化，支持大语言模型和视觉模型的部署与调优
要求硕士学历，3年以上经验，精通Python和C/C++，熟悉深度学习框架和模型量化技术，能从模型、编译器和硬件多层面解决精度和性能问题
最低要求
硕士及以上学历，3年及以上工作经验
熟练掌握 Python 和 C/C++ 编程语言，具备良好的工程能力
熟悉深度学习基础知识和常见网络结构（Transformer、CNN、BEV 等）
熟悉 ONNX 模型格式和模型处理工具链
具备模型量化（PTQ/QAT）相关经验，理解常见的量化算法
熟悉至少一种深度学习框架（PyTorch / TensorFlow），有模型训练或推理优化经验
有良好的问题分析和定位能力，能够从模型、编译器和硬件多个层面排查精度和性能问题
工作职责
负责 PTQ / QAT 等模型量化工具链的开发，支持 INT4/INT8/FP16/W8A16 等多种精度组合的量化方案落地
开发和维护模型精度分析工具链
参与模型在 NPU 硬件上的部署适配
参与自研 AI 编译器（NPU 芯片）的功能开发和性能优化，包括量化、图优化等功能的开发和维护
支持大语言模型（LLM）和视觉模型在 NPU 上的量化部署与精度调优
优先资格
加分项
（1）了解 AI 编译器工作原理
（2）熟悉大语言模型（LLM）架构和推理优化，如 LLM 量化（GPTQ/AWQ/FP8）、KV-Cache 优化、Speculative Decoding 等
（3）有 NPU / GPU / DSP 等硬件平台上的模型部署经验
（4）有自动驾驶或 BEV 感知模型相关经验
AI 洞察
优缺点分析
优点
- 接触前沿AI量化技术和自研编译器开发，技术深度和成长空间大
- 支持自动驾驶等热门应用场景，有实际落地和影响力
- 公司已上市，平台稳定，能提供有竞争力的资源和项目
- 技术难度高，涉及编译器、硬件和模型多个层面，需要持续学习
- 行业竞争激烈，需保持对最新技术的敏锐度
- 适合对AI模型优化和硬件部署有浓厚兴趣，具备扎实编程基础和问题解决能力的中级工程师，追求技术深度和前沿探索
缺点 / 挑战
- 精度和性能优化可能面临复杂问题排查，工作压力较大
角色解读
- 可向AI编译器专家或算法优化专家方向深入发展，专注于底层优化
- 积累硬件适配经验后，可向系统架构师或技术管理岗位晋升
- 在自动驾驶或大模型应用领域拓展，成为垂直领域技术负责人
- 负责模型量化工具链的开发和维护，支持多种精度组合的量化方案落地
- 参与模型在NPU硬件上的部署适配，确保模型高效运行
- 开发和优化自研AI编译器的功能，提升量化与图优化性能
- 支持大语言模型和视觉模型在NPU上的量化部署与精度调优
- 精通Python和C/C++编程，具备良好的工程实践能力
- 熟悉深度学习框架如PyTorch/TensorFlow，掌握模型量化技术（PTQ/QAT）
- 了解AI编译器原理和NPU硬件特性，能解决跨层精度与性能问题
- 具备扎实的深度学习基础知识，熟悉常见网络结构（如Transformer、CNN）
申请策略
- 了解黑芝麻在自动驾驶芯片领域的业务和技术方向，体现岗位匹配度
- 准备量化相关的技术问题和项目复盘，以应对技术面试
- 突出Python和C/C++项目经验，展示实际工程能力
- 强调模型量化（PTQ/QAT）和部署的实践案例，如具体优化成果
- 列举对AI编译器或NPU平台的了解，包括相关工具或框架使用经验
- 深入学习AI编译器原理和LLM优化技术，如GPTQ/AWQ等量化方法
- 实践NPU或GPU上的模型部署，积累硬件适配经验
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经验，突出量化或部署成果
- 从模型、编译器、硬件三个层面结构化分析问题，展示系统思维
- 结合具体工具（如PyTorch、ONNX Runtime）和算法细节，体现技术深度
- 请解释PTQ和QAT的区别，以及在实际项目中如何选择？
- 如何优化模型在NPU上的推理性能？有哪些常见瓶颈？
- 描述一个你解决模型精度问题的案例，从哪些层面进行排查？
- 你对AI编译器的工作原理有什么理解？
- 如果部署大语言模型时精度下降，你会如何调优？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值75
薪资福利
70中等
该职位薪资估算基于中级AI工程师市场水平，但JD未披露具体薪资和福利，补偿性满足程度一般。
薪资信号未披露（AI估算：2–3.5万/月）
成长发展
85较高
职位涉及前沿AI量化、编译器开发和NPU硬件适配，技术成长性强，但JD未明确提及培训或晋升路径。
技术前沿前沿/新兴技术
技术栈PTQ、QAT、ONNX、PyTorch、TensorFlow、AI编译器、NPU、LLM
业务类型ambiguous
工作生活
60中等
JD未提及办公模式、远程选项或工作生活平衡信号，无法判断具体工作强度和灵活性。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
AI模型优化部署属于高速增长赛道，涉及自动驾驶等应用，有积极创新，但JD未突出社会价值或使命。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs