量化算法开发工程师(J45119)

优缺点分析

角色解读

• 技术专家路径：深耕模型优化与量化技术，成为团队核心算法专家
• 技术管理路径：积累项目经验后，可带领小团队负责特定模块的优化工作
• 研究并分析如AWQ、GPTQ等大模型量化压缩的核心算法原理
• 开发和测试低精度量化技术，将大模型高效部署到端侧设备上
• 根据具体大模型（如CNN， ViT）的结构特点，设计并制定定制化的量化优化方案
• 深入理解深度学习、模型量化与压缩的技术原理
• 精通C++、Python编程及PyTorch深度学习框架
• 具备扎实的计算机体系结构、算法和数学基础

申请策略

• 在简历和面试中，清晰阐述你对“为什么量化”以及“如何衡量量化效果（延迟、吞吐量、精度）”的思考
• 可以提前研究海信在智能电视、智能家居等终端AI应用的背景，思考量化技术可能的落地场景
• 重点展示在深度学习模型训练、推理优化或部署方面的项目经验
• 突出对模型量化、剪枝、蒸馏等压缩技术的实际应用和理解
• 强调C++/Python编程能力及在性能优化、算法实现方面的具体成果
• 如有相关的论文发表、技术博客或开源项目贡献，可作为重要加分项
• 系统学习或复习主流大模型量化算法（如GPTQ， AWQ）的论文与实现代码
• 在开源框架（如PyTorch）下动手实践，尝试对一个小型模型进行量化并分析性能收益与精度损失

面试指南

• 技术原理类问题：遵循“是什么-为什么-怎么做”的逻辑
• 先清晰定义概念，再解释其动机（压缩、加速），最后阐述技术细节（如量化映射、校准数据）
• 项目经验类问题：使用STAR法则
• 清晰描述任务背景、你的具体角色、采取的技术步骤、最终结果（量化指标）及你的反思
• 开放挑战类问题：结合JD和海信的业务特点，从技术（算法、编译、硬件适配）和产品（精度需求、用户场景）两个维度进行有条理的分析
• 请解释一下模型量化（如INT8）的基本原理，以及它如何提升推理速度和减少内存占用？
• 你对GPTQ、AWQ这类大模型量化算法了解多少？它们的核心区别是什么？
• 在模型量化过程中，如何评估和处理精度损失的问题？有哪些常见的缓解方法？