传音
算法工程师-算法工程（上海）(J20232)
算法工程师-算法工程（上海）(J20232)
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Npu
Pytorch
Tensorflow
性能优化
推理加速
模型量化
端侧部署
算法工程化
值不值得投
64综合评分
综合评分 64
技术有深度、平台有挑战、薪资待明确、WLB不确定。
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
2.8万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 480 个在招 · 其中机器学习工程 4 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 360 个在招
职位详情
关于这个职位
该职位专注于AI算法的工程化落地与性能优化
工作内容主要包括将语音、图像、大模型等算法部署到端侧（如手机NPU）或云端，并负责推理引擎的开发与效率提升，确保模型在实际产品中高效运行
这是一个连接算法研究与工程实现的桥梁岗位
最低要求
硕士及以上学历，计算机技术相关专业背景
熟悉深度学习、机器学习相关算法和模型
熟悉TensorFlow、PyTorch等深度学习框架，了解至少一种端侧推理框架（NCNN、MNN、TFLite、SNPE等）者优先
熟悉C/C++、Python等编程语言，对AI coding有深度实践者优先
具备良好的沟通能力和团队合作精神
有大规模模型实现和优化经验者优先
工作职责
负责语音、图像、大模型等AI算法的工程化落地，包括模型转换、量化压缩、推理加速及多平台部署（端侧NPU/CPU/DSP、云端GPU等）
负责AI推理引擎开发与优化，提升模型在移动端、嵌入式及云端场景下的运行效率与资源利用率
跟踪前沿算法工程化技术（如模型蒸馏、稀疏化、INT8/FP8量化、编译优化等），推动技术预研与产品化落地
优先资格
了解至少一种端侧推理框架（NCNN、MNN、TFLite、SNPE等）
对AI coding有深度实践
有大规模模型实现和优化经验
AI 洞察
优缺点分析
优点
- 直接参与将前沿AI技术转化为实际产品的过程，成就感强，能积累宝贵的端云协同部署经验
- 技术栈深入底层，能接触到模型优化、编译器、硬件加速等多领域知识，技术视野广阔
- 随着端侧AI成为智能设备核心竞争力，该岗位的技能壁垒高，职业发展空间和市场需求持续增长
- 工作成果需要与算法研究团队、硬件团队、产品团队紧密协同，对沟通和系统性思维要求高
- 适合对AI算法如何在真实设备中运行有浓厚兴趣，兼具算法理论基础与优秀工程实践能力，且乐于解决复杂性能优化问题的求职者
缺点 / 挑战
- 需要在有限的硬件资源下实现性能与精度的完美平衡，技术难度和工程挑战大，调试周期长
- 需要持续跟踪快速迭代的算法和硬件技术（如新NPU架构、量化方法），学习压力较大
角色解读
- 深度技术路线：成为算法工程或模型优化领域的专家，负责更复杂系统（如自动驾驶、具身智能）的部署优化
- 技术管理路线：带领算法工程团队，负责项目规划、技术选型和跨部门协调，推动AI产品化战略
- 跨界发展：结合对移动端硬件的理解，向芯片协同设计、AI编译器等底层技术领域拓展
- 将AI算法（语音、图像、大模型）从研究阶段推向产品化，确保其在手机、嵌入式设备等资源受限环境中高效运行
- 开发和优化AI推理引擎，通过模型压缩、量化、编译等技术手段，在保证精度的前提下大幅提升模型运行速度并降低资源消耗
- 持续跟踪并实践前沿的算法工程化技术，如模型蒸馏、稀疏化、混合精度量化等，推动技术储备向产品力转化
- 扎实的深度学习算法理论基础，熟悉常见的模型结构及训练原理
- 精通至少一种主流深度学习框架（TensorFlow/PyTorch）的底层机制，并有端侧部署经验
- 出色的C/C++编程能力和性能优化技巧，能针对硬件特性（如NPU）进行代码级优化
- 对模型量化、剪枝等压缩技术有深入理解，并有大规模模型部署的实战经验
申请策略
- 研究传音旗下手机品牌（Tecno, Infinix, itel）的产品特点和AI功能（如影像增强、语音助手），在面试中展示你对其业务场景的理解
- 准备1-2个你主导或深度参与的“算法工程化”项目案例，能清晰讲述从模型到部署的全过程以及遇到的核心难题
- 详细描述参与的模型量化、压缩或推理加速项目，明确说明技术方案（如使用TFLite、TensorRT）、优化手段及最终带来的效率提升百分比
- 突出C/C++编程能力，特别是高性能计算、多线程、SIMD指令集优化等方面的实践经验
- 列举熟悉的端侧推理框架（NCNN、MNN等）及在不同硬件平台（手机SoC、嵌入式设备）的部署案例
- 如有开源项目或技术博客（分享模型优化心得），可作为加分项列出
- 深入学习至少一款移动端AI芯片（如高通骁龙、联发科天玑）的NPU架构与编程模型（如SNPE、Neuron API）
- 通过实战项目，系统掌握模型量化工具链（如PyTorch Quantization、TensorFlow Model Optimization Toolkit）的使用
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答项目经验问题，重点突出你的技术决策和量化成果
- 对于技术原理问题，先阐述核心概念，再结合实际案例说明其应用和权衡，体现系统化思考
- 回答开放性问题时，可先表明思路框架（如分步骤），再展开细节，并考虑性能、功耗、效果的多维平衡
- 请介绍一个你将深度学习模型成功部署到端侧设备的项目，遇到了哪些挑战？是如何解决的？
- 你了解哪些模型量化方法（如PTQ、QAT）？它们各自的优缺点和适用场景是什么？
- 如果要对一个大语言模型进行端侧部署，你会考虑使用哪些技术（如剪枝、蒸馏、量化）？具体步骤是什么？
- 如何评估一个模型在移动端的性能表现？你会关注哪些指标？
- 你对我们公司手机产品中可能应用到的AI技术有什么看法或设想？
职位点评
薪资福利55
成长发展85
工作生活50
使命价值65
薪资福利
55较低
该职位为技术要求较高的算法工程岗，市场薪酬具备一定竞争力，但JD未明确薪资范围和福利细节。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
岗位要求掌握模型量化、推理加速等前沿且实用的技术，技术深度足够，且直接参与AI产品落地，能获得宝贵的工程化经验。
技术前沿前沿/新兴技术
技术栈模型量化、推理加速、端侧部署、NCNN、MNN、TensorRT
成长机会跟踪前沿算法工程化技术、推动技术预研与产品化落地
业务类型ambiguous
工作生活
50较低
工作地点位于上海市，但JD未说明具体办公地点类型及办公模式（如远程、弹性），WLB情况不明确。
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
65中等
作为消费电子公司，其AI技术主要服务于提升终端用户体验，具有明确的商业应用价值，但社会影响力层面相对有限。
行业发展稳定成熟行业
社会影响中性/一般
使命信号推动技术预研与产品化落地
创新程度积极采用新技术
Watch Jobs