传音
高性能优化工程师（LLM/CV/语音）(J20001)
高性能优化工程师（LLM/CV/语音）(J20001)
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
Cuda
Gpu优化
Llm
Npu开发
Onnx
Pytorch
Tensorrt
模型量化
计算机视觉
值不值得投
71综合评分
综合评分 71
技术前沿、成长空间大，但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
2.3万
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
约 480 个在招 · 其中算法优化工程师 11 个
市场机会
选择面较广
深圳 · 算法优化工程师 · 62 个在招
职位详情
关于这个职位
该职位负责大语言模型、计算机视觉、语音等AI模型在端侧及云端的推理性能优化与工程落地
工作包括模型部署、推理加速、资源优化（如时延、吞吐量、显存/内存、功耗），以及在GPU、NPU、CPU等异构平台上的性能分析与优化，推动端侧AI能力在移动终端和IoT设备上规模化部署
最低要求
熟悉 PyTorch/TensorRT/ONNX 等框架
熟悉 CUDA、GPU Profiling、Kernel/显存/通信优化
熟悉 高通、MTK平台 NPU 开发优化，有端侧模型量化，压缩，功耗优化经验
熟悉 Transformer、CV 或语音模型的结构及性能瓶颈，有模型压缩加速经验
熟悉 Android 平台 C/C++ 开发
工作职责
负责大语言模型（LLM）、计算机视觉（CV）、语音（ASR/TTS/Audio）等 AI 模型在端侧及云端的推理性能优化与工程落地
负责模型部署、推理加速与资源优化，包括但不限于：推理时延（Latency）优化、吞吐量（Throughput）提升、显存/内存占用优化、功耗优化等
负责 GPU、NPU、CPU 等异构计算平台上的性能分析与优化，推动模型在移动终端和边缘设备上的高效运行，包括：算子优化（Operator Optimization）、多线程与任务调度优化、内存与通信优化等
负责 AI 模型在 Android 手机及 IoT 设备上的部署与性能调优，推动端侧 AI 能力规模化落地
与算法、平台、系统及产品团队协作，建立模型性能评测体系、优化工具链和最佳实践，持续提升 AI 产品体验
跟踪 AI 推理框架、芯片平台及行业前沿技术发展，探索大模型、多模态模型、Agent 等新型 AI 能力的高性能部署方案
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及LLM、CV、语音等热门AI领域，学习机会多
- 多平台优化经验，提升底层系统能力和硬件适配技能
- 公司业务聚焦新兴市场，有独特行业视角和应用场景
- 跨平台优化复杂度高，需掌握多种硬件（GPU/NPU/CPU）的优化技巧
- 端侧优化对性能和功耗要求严苛，技术实现难度较大
- AI技术更新快，需持续学习跟进最新推理框架和芯片平台
缺点 / 挑战
- 适合对AI模型性能优化有浓厚兴趣、喜欢底层技术挑战、具备跨平台开发经验的求职者
角色解读
- 成为AI性能优化专家，深耕端侧和云端推理加速技术
- 向AI架构师或系统架构师方向发展，负责整体AI部署方案设计
- 参与前沿AI技术研究，如大模型、多模态模型的高性能部署探索
- 负责AI模型在端侧和云端的推理性能优化，包括时延、吞吐量、资源占用等方面
- 进行模型部署、推理加速与资源优化，推动端侧AI能力在移动终端和IoT设备上落地
- 优化GPU、NPU、CPU等异构计算平台性能，涉及算子优化、多线程调度等
- 与算法、产品团队协作，建立性能评测体系和优化工具链，提升AI产品体验
- 熟悉PyTorch/TensorRT/ONNX等深度学习框架，掌握模型优化技术
- 精通CUDA编程、GPU Profiling及Kernel/显存/通信优化
- 具备高通、MTK平台NPU开发经验，了解模型量化、压缩和功耗优化
- 熟悉Transformer、CV或语音模型结构，有Android平台C/C++开发能力
申请策略
- 研究传音的产品线和市场定位，了解其AI应用在移动终端和IoT领域的重点方向
- 准备端侧AI优化的实际案例，展示如何解决性能瓶颈和跨平台部署挑战
- 突出在模型优化、性能调优方面的具体项目经验，提供性能提升数据
- 展示CUDA、NPU等硬件优化技能，以及Android平台C/C++开发成果
- 强调与算法、产品团队的协作经验，建立评测体系或工具链的案例
- 深入学习TensorRT和高通/MTK的NPU开发框架，掌握最新优化方法
- 加强Android平台C/C++编程能力，特别是底层性能调优
- 了解AI推理框架和芯片技术前沿，如LLM端侧部署趋势
面试指南
- 使用STAR法则（情境、任务、行动、结果）组织回答，突出技术细节和成果
- 结合具体优化技术，如算子优化、量化、内存管理等，说明如何提升性能
- 强调跨团队协作和持续改进，如建立性能评测体系或最佳实践
- 如何优化一个Transformer模型在移动端的推理性能？请描述具体方法
- 在NPU上部署模型时遇到的主要挑战有哪些？如何解决？
- 如何平衡模型精度和推理速度？举例说明你的经验
- 请描述一个你完成的端侧AI优化项目，包括遇到的问题和解决方案
- 你如何跟踪AI推理框架和芯片平台的最新技术发展？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
薪资未在JD中披露，但基于AI优化岗位的技术要求和一线城市市场，预计具有市场竞争力。
薪资信号未披露（AI估算：1.5千–3万/月）
成长发展
85较高
岗位涉及前沿AI技术优化，提供深度学习框架和硬件平台的学习机会，有利于技能成长和职业发展。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorRT、CUDA、NPU、模型量化
业务类型ambiguous
工作生活
50较低
JD未明确提及办公模式和WLB信息，无法判断工作与生活平衡情况。
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技术处于高速增长赛道，创新性强，但岗位聚焦性能优化，社会影响力一般。
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