思必驰
高性能计算研发工程师（C++）-2027届
高性能计算研发工程师（C++）-2027届
发布于 9 小时前普通员工/个人贡献者
全职员工仅现场办公高性能计算
高性能计算
Arm
Cnn
Cuda
Gpu优化
模型推理优化
深度学习
值不值得投
72综合评分
综合评分 72
苏州校招AI性能优化岗，技术栈前沿且深入，成长性强，但薪资福利等补偿信息待明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
20K
比高性能计算中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
48 个在招
市场机会
选择不多
苏州 · 高性能计算 · 1 个在招
职位详情
关于这个职位
作为高性能计算研发工程师，你将专注于深度学习模型推理性能的优化工作，负责在GPU、CPU和ARM等不同硬件平台上进行网络计算优化，包括算子融合、计算优化和量化等技术
你需要根据需求实现模型在云端及本地的推理应用，并持续优化深度学习模型的部署与推理效率，以提升AI产品的实际运行性能
最低要求
）硕士及以上学历，优秀本科生亦可
）熟悉C++/Python/Shell脚本编程，具有良好的编程能力，有数据结构和算法基础
）熟悉常见的神经网络，包含CNN，LSTM，Transformer等网络结构，熟悉网络内部计算流程
）熟悉主流深度学习框架者优先
）熟悉Linux开发环境，有指令集优化经验者优先
）有模型推理优化经验者优先
）有cuda编程经验者优先
工作职责
）优化模型推理计算，在GPU和CPU和ARM上做网络计算优化，包含算子融合,计算优化及量化等
）根据需求，实现模型在云端及本地的推理应用
）优化深度学习模型的部署及推理效率
优先资格
）熟悉主流深度学习框架者优先
）熟悉Linux开发环境，有指令集优化经验者优先
）有模型推理优化经验者优先
）有cuda编程经验者优先
AI 洞察
优缺点分析
优点
- 工作涉及AI落地的关键环节，能直接提升产品性能，技术成果可见性强
- 能接触GPU、ARM等多种硬件平台，对计算机体系结构的理解会非常深入
- AI推理优化是当前工业界的核心需求，技术积累扎实，职业路径清晰
- 性能优化工作往往需要反复调试和测试，对耐心和细致程度要求高
- 技术栈较深，需要同时理解算法模型和底层硬件，学习曲线陡峭
- 适合对计算机底层原理和AI工程落地有浓厚兴趣，喜欢钻研性能、追求极致效率的应届或初级求职者
缺点 / 挑战
- 作为校招新人，需要快速理解现有代码库和业务场景，融入团队有一定挑战
角色解读
- 初级/中级工程师可深耕模型推理优化领域，成为性能优化专家
- 可向更底层的系统软件开发、编译器优化或AI芯片架构设计方向发展
- 积累经验后，可负责更复杂的AI系统架构设计或带领团队进行技术攻关
- 在不同计算硬件（GPU/CPU/ARM）上深度优化深度学习模型的推理速度与效率
- 将训练好的AI模型部署到云端服务器或本地设备上，使其能够实际运行
- 通过算子融合、量化等技术，降低模型计算成本，提升运行性能
- 扎实的C++编程能力与算法功底，这是实现底层性能优化的基础
- 对主流神经网络（如CNN, Transformer）的结构和计算流程有深入理解
- 熟悉GPU（CUDA）及ARM等特定硬件架构的编程与优化经验是重要加分项
- 熟练使用Linux开发环境和主流深度学习框架（如PyTorch, TensorFlow）
申请策略
- 研究思必驰的产品（如语音技术），思考其背后的推理优化需求，面试时可展现你的业务理解
- 准备一个你优化过的模型或代码片段，能够清晰讲述你遇到的问题、分析过程和解决方案
- 重点突出C++项目经历，尤其是涉及性能优化、内存管理或底层系统的部分
- 详细描述在课程设计、比赛或实习中使用深度学习框架（PyTorch/TensorFlow）解决实际问题的项目
- 如有CUDA编程、模型量化、或者在嵌入式设备上部署模型的实践，务必详细说明
- 清晰列出掌握的技能点，如Linux命令行熟练度、Shell脚本编写能力等
- 系统性学习CUDA编程或ARM NEON指令集优化，这是本岗位的核心竞争力
- 深入阅读一两个主流深度学习框架（如PyTorch）的源码，了解其执行后端
面试指南
- 对于项目经历问题，使用STAR法则（情境、任务、行动、结果）清晰陈述，并强调你使用了哪些量化指标来衡量优化效果
- 对于技术原理问题，先阐述基本概念，再结合具体硬件（如GPU的并行计算特性）说明优化思路，最后可以提及相关工具或库（如TensorRT, ONNX Runtime）
- 对于动机问题，结合你对技术的热情和对该公司产品/技术方向的了解来回答
- 请描述一次你优化模型或代码性能的经历，你遇到了什么瓶颈，如何分析并解决的？
- 解释一下卷积神经网络（CNN）或Transformer在GPU上计算时，性能瓶颈可能出现在哪里？
- 你了解模型量化吗？请简单说明其原理和一种常见的量化方法
- 如何让一个深度学习模型在算力有限的移动端（如ARM处理器）上高效运行？
- 你为什么对高性能计算和推理优化这个方向感兴趣？
职位点评
薪资福利60
成长发展85
工作生活70
使命价值65
薪资福利
60中等
该职位为校招研发岗，提供全职工作机会，但JD未明确披露薪资福利具体细节，对于应届生而言基本保障应能满足，但具体竞争力需进一步确认。
薪资信号未披露（AI估算：1.5–2.5万/月）
成长发展
85较高
该职位直接参与AI技术栈的核心环节（推理优化），需要C++、深度学习、硬件优化等多维度知识，技术深度和前沿性俱佳，能为求职者打下坚实的工程与性能优化基础。
技术前沿前沿/新兴技术
技术栈C++、GPU、CUDA、ARM、模型推理优化、深度学习、量化
业务类型profit_center
工作生活
70中等
工作地点在苏州，为一线城市，生活成本相对可控。JD未提及工作模式，默认为现场办公。作为技术研发岗，工作内容需要专注，但未明确提及加班或WLB相关信息。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
65中等
高性能计算是人工智能落地的关键支撑，工作成果能直接提升产品性能，具有一定的技术价值。但该职位偏底层优化，社会价值的直接感知度可能不如有面向终端用户的应用开发。
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