海尔
端侧AI系统工程师/专家
端侧AI系统工程师/专家
发布于 3 小时前普通员工/个人贡献者
全职员工混合式弹性办公算法优化工程师
算法优化工程师
Ai Compiler
Pytorch
Tensorrt
异构硬件
性能调优
模型量化
端侧部署
算子优化
值不值得投
80综合评分
综合评分 80
前沿端侧AI技术、平台资源完善、技术成长快，WLB视项目节奏而定
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比算法优化工程师中位数高
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 780 个在招 · 其中算法优化工程师 2 个
市场机会
选择面较广
上海 · 算法优化工程师 · 约 200 个在招
职位详情
关于这个职位
负责将大模型及多模态AI模型部署到手机、家电等终端设备上，通过量化、剪枝、算子融合等技术降低计算与存储开销
针对CPU/GPU/NPU等异构硬件进行深度性能调优，构建跨平台工具链与测试体系，确保AI能力在设备端高效、稳定运行
最低要求
计算机、电子工程、自动化、通信或相关专业背景
熟练掌握C/C++和Python，具备扎实的系统编程与性能优化能力
熟悉PyTorch、ONNX、TensorRT、TFLite、OpenVINO、MNN、NCNN等一个或多个模型部署/推理框架
理解深度学习模型结构及推理过程，熟悉量化、蒸馏、模型压缩和图优化中的一种或多种技术
熟悉CPU/GPU/NPU等硬件体系及性能特征，能够使用Profiling工具定位系统瓶颈
具备良好的工程质量意识，重视稳定性、可维护性、自动化测试和跨平台兼容性
能够与算法和系统团队共同定位问题并推动端到端优化
工作职责
负责大模型、多模态模型及其他AI模型的端侧部署、性能优化和工程化
围绕Quantization、Pruning、Distillation、KVCache、OperatorFusion等技术降低模型计算和存储开销
针对CPU/GPU/NPU/DSP等异构硬件优化模型执行，提升时延、吞吐、内存占用和能效
参与AICompiler、Runtime、Kernel和算子优化，解决模型在不同硬件平台上的性能瓶颈和兼容性问题
建立端侧AIBenchmark、Profiling和回归测试体系，持续评估模型与系统版本变化
推动模型、数据、算法与系统协同优化，在模型效果和系统约束之间形成可量化的取舍
建设跨平台部署与工具链能力，提高模型从训练环境到产品设备的交付效率
与模型、AIInfra、系统架构和产品团队协作，推动端侧AI能力稳定上线并持续迭代
AI 洞察
优缺点分析
优点
- 聚焦端侧AI落地前沿，技术壁垒高且市场需求旺盛
- 依托庞大IoT生态与成熟产品线，拥有丰富的真实业务场景
- 平台资源完善，便于接触工业级Benchmark与Profiling工具链
- 需在模型精度、时延、功耗等多重约束下寻找最优解，权衡难度大
- 具备扎实底层编程功底、对系统性能极致追求且喜欢软硬件协同优化的工程师
缺点 / 挑战
- 异构硬件碎片化严重，不同NPU/DSP的适配调试成本较高
- 跨算法、系统、产品多团队协作频繁，沟通与推进压力较大
角色解读
- 纵向深耕端侧AI架构，成为边缘计算与模型部署领域的技术专家
- 横向拓展AI Infra与编译器开发能力，覆盖训练到推理的全链路优化
- 积累大型IoT产品落地经验后，可向技术管理或产品架构方向转型
- 负责将云端大模型迁移至终端设备并进行工程化落地
- 运用量化、剪枝、算子融合等技术降低模型计算与存储开销
- 针对CPU/GPU/NPU等异构硬件进行深度性能调优与瓶颈突破
- 搭建跨平台部署工具链与自动化测试体系，保障AI能力稳定迭代
- 精通C/C++与Python系统编程，具备扎实的底层代码编写能力
- 熟练掌握主流推理框架（如TensorRT、MNN等）及模型压缩技术
- 深入理解深度学习推理流程，能独立使用Profiling工具定位性能瓶颈
- 熟悉异构硬件架构特性，具备跨平台兼容性与工程质量管控意识
申请策略
- 提前调研海尔智家产品线及边缘计算布局，准备贴合其业务场景的技术方案
- 面试前整理1-2个完整的性能调优STAR案例，重点说明问题定位与验证闭环
- 突出实际模型部署案例，量化展示时延降低、内存节省或吞吐量提升的具体数据
- 强调跨平台工具链开发、自动化测试体系建设及CI/CD集成经验
- 详细列出掌握的推理框架、算子优化手段及Profiling工具使用经历
- 深入研读AI Compiler底层原理，补充LLVM或MLIR相关实践
- 针对目标硬件平台（如高通SNPE、华为MindSpore Lite）进行SDK实战演练
- 强化Linux系统编程与多线程/异步任务调度能力
面试指南
- 采用“理论原理+工具链实操+数据对比”的结构展开，先说明优化动机与技术选型依据
- 分步骤阐述问题定位、根因分析、方案实施与效果验证的完整闭环
- 强调指标驱动思维，明确对比优化前后的时延、吞吐、内存占用与精度变化
- 如何针对特定NPU进行自定义算子优化？遇到内存对齐或带宽瓶颈如何处理？
- INT8量化过程中如何保证模型精度不下降？有哪些校准与微调策略？
- 端侧部署时如何平衡模型复杂度与设备功耗/发热限制？
- 请分享一次你使用Profiling工具定位系统瓶颈并成功优化的完整经历
- 系统复习深度学习推理流程、常见图优化手段及主流端侧推理框架差异
职位点评
薪资福利82
成长发展90
工作生活65
使命价值75
薪资福利
82较高
该岗位薪酬对标高级工程师市场水平，整体福利体系规范，能满足基础补偿需求。
薪资信号市场水准 (4.0千–7.0万/月)
成长发展
90较高
聚焦端侧AI前沿技术栈，技术成长空间大，内部协作有助于拓宽系统视野。
技术前沿前沿/新兴技术
技术栈C/C++、Python、PyTorch、TensorRT、Quantization、Pruning、AICompiler
业务类型profit_center
工作生活
65中等
技术研发岗通常具备一定弹性，但端侧落地涉及多部门协同与版本迭代，可能面临阶段性高强度工作。
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
75中等
致力于让AI普惠至智能家居终端，提升用户生活体验，具备明确的商业与社会价值导向。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs