智能计算研发工程师(27届校招)

优缺点分析

角色解读

• 从AI平台研发工程师成长为AI基础设施方向的资深工程师或架构师
• 依托大模型推理优化经验，可向大模型工程化、MLOps方向深耕
• 平台建设与资源调度经验也可向云计算架构、技术管理路线发展
• 负责AI计算平台与运行环境建设，支撑模型训练/推理、算法研发及科学计算任务
• 参与计算资源调度、任务管理和训练环境、计算框架的部署优化
• 研究大模型压缩、推理加速、模型测评与安全治理等关键技术应用
• 跟踪云原生与开源大模型生态，开展技术验证和工程化落地
• 熟悉Linux环境、GPU计算与Docker容器技术
• 掌握Python、Java与数据库，具备工程实现能力
• 了解主流大模型部署框架，有推理优化或模型服务部署经验者优先
• 技术探索精神强，能主动研究新技术并快速转化为工程能力

申请策略

• 面试前了解上海电气数字化转型的业务场景与算力需求
• 准备一个从技术验证到工程化落地的完整案例，体现快速成工程化的能力
• 突出Linux、GPU、Docker环境下的实际项目经历
• 重点展示大模型部署、推理优化或模型测评的项目成果并量化收益
• 写明Python/Java与数据库的工程使用深度
• 对云原生（Kubernetes等）与开源社区贡献可作为差异化亮点
• 动手实践主流大模型部署框架与推理加速方案
• 学习Kubernetes与GPU资源调度的基础实战

面试指南

• 项目类问题按「背景—方案—量化结果—复盘」结构作答
• 设计类问题先讲约束与目标，再给分层架构与权衡取舍
• 前沿类问题给出信息来源与自己的技术判断，体现持续跟踪习惯
• 你熟悉哪些主流大模型部署框架，各自的适用场景是什么？
• 介绍一次你做大模型推理优化或模型服务部署的经历，指标如何变化？
• GPU集群的计算资源调度你会怎么设计，如何处理任务抢占与优先级？
• 大模型安全治理包含哪些方面，你有什么实践？
• 对云原生和开源大模型生态的最新发展，你怎么看？