Generative AI Algorithms Engineer

优缺点分析

角色解读

• 从算法工程师成长为技术专家，专注于某一领域（如量化或推理优化）
• 转向技术管理岗位，带领团队攻克研究难题
• 参与行业顶会发表论文，成为学术界与工业界结合的领军人物
• 研究和开发生成式AI模型（如LLM、VLM）的算法，包括量化、压缩、高效推理等
• 设计和实现模型训练与微调策略，探索MoE等高级架构
• 与硬件、软件团队协作，将模型优化并部署到高通芯片上
• 撰写技术报告和专利，参与前沿学术研究
• 扎实的机器学习/深度学习基础，熟悉Transformer、MoE等架构
• 熟练使用Python和PyTorch，具备模型训练和调优经验
• 了解量化技术（如GPTQ、INT8/FP8）和模型压缩方法
• 良好的英语阅读和沟通能力，能阅读顶会论文并协作

申请策略

• 关注高通AI研究院的研究方向，在面试中展示对其工作的了解
• 准备一个完整的技术项目讲解，包括问题定义、方案设计、实验结果
• 突出生成式AI相关项目经历，如LLM微调、量化压缩等
• 强调PyTorch和Python编程能力，展示开源贡献或GitHub链接
• 列出发表过的论文或专利，体现研究能力
• 如有MoE或高效推理经验，务必重点描述
• 补充量化算法（如GPTQ、AWQ）和模型压缩工具的实践经验
• 学习高通AI Model Efficiency Toolkit (AIMET) 的使用

面试指南

• 对于技术问题，先给出定义和原理，再结合实际案例说明
• 对于设计问题，采用结构化的思路：需求分析、技术选型、实现步骤、评估方法
• 对于项目经验，使用STAR法则：情境、任务、行动、结果
• 解释Transformer中自注意力的计算复杂度，如何优化长上下文？
• 描述一种量化方法（如GPTQ）的步骤和优缺点
• 如何实现MoE中的负载均衡？如何解决专家坍塌问题？
• 你如何设计一个高效推理系统？考虑哪些因素？
• 谈谈你参与过的生成式AI项目，遇到了什么挑战？