百度
高性能计算研发工程师（J106580）
高性能计算研发工程师（J106580）
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公高性能计算
高性能计算
Ai编译器
Gpu/Npu
Llvm
Mlir
Tvm
并行计算
性能建模
算子优化
值不值得投
80综合评分
综合评分 80
顶尖大厂核心底层技术岗，技术栈极新且成长性强，薪资竞争力强，常规大厂工作节奏。
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
4.8万
比高性能计算中位数高
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 1320 个在招
市场机会
选择适中
北京 · 高性能计算 · 45 个在招
职位详情
关于这个职位
负责AI编译器与工具链研发，涵盖中间表示、编译优化及代码生成
探索大语言模型辅助的算子自动生成与优化技术，提升算子开发效率与运行性能
建立AI加速器性能模型与仿真工具，开展软硬件协同优化，支持深度学习模型在AI加速器上的高效执行
最低要求
计算机、软件工程、电子工程、微电子或相关专业，具备扎实的数据结构、算法、操作系统、编译原理和计算机体系结构基础
熟练掌握C/C++，能够使用Python进行工具开发、自动化测试和数据分析，具备良好的工程实践与调试能力
熟悉并行计算基本原理，理解GPU或其他AI加速器的执行模型、存储层次和同步机制，能够分析计算与访存瓶颈
了解深度学习常用算子的计算特征，能够从计算量、内存访问量、数据复用和并行度等方面分析性能
具有大语言模型辅助算子生成、自动调优（Auto-tuning）或自动化正确性验证经验
具备以下至少一个方向的研发经验：
AI编译器：熟悉LLVM、MLIR、TVM等编译基础设施，具有中间表示、编译优化、代码生成或编译器开发经验
算子优化：具有GPU/NPU核心算子开发经验，熟悉性能分析与调优方法，有相关开源项目贡献
性能建模与仿真：具有处理器或AI加速器性能建模、体系结构仿真或微架构性能分析经验
工作职责
参与AI编译器与编译工具链研发，开展中间表示（IR）、编译优化、代码生成及后端适配等工作，支持深度学习模型在不同AI加速器上的高效执行
探索基于大语言模型的算子自动生成与优化技术，建设代码生成、编译、正确性验证及性能评测流程，提升算子开发效率与运行性能
开发和优化高性能算子，围绕矩阵乘、Attention等典型算子，开展算子融合、数据布局优化、访存优化及并行调优
研究Persistent Kernel与设备端任务调度技术，优化内核启动、主机与设备交互及同步开销
建立AI加速器性能模型与仿真工具，分析计算单元、存储层次及数据传输等因素对算子性能的影响，并结合硬件实测数据进行模型校准
开展微架构设计空间探索与软硬件协同优化，评估不同硬件配置对典型AI负载的性能影响，为芯片架构设计和选型提供量化依据
AI 洞察
优缺点分析
优点
- 聚焦AI底层核心技术与前沿算力生态，技术壁垒高且行业需求旺盛
- 依托头部互联网大厂平台，拥有海量真实业务场景与顶级硬件资源支持
- 接触LLM辅助编译、Auto-tuning等前沿方向，个人技术成长迅速
- 底层编译与性能调优难度极大，需长期深耕计算机体系结构知识
- 跨软硬件协同优化沟通成本高，需兼顾算法、编译器与芯片多方诉求
- 适合热爱底层系统编程、对计算机体系结构有浓厚兴趣，且具备较强数理基础与工程落地能力的研发人员
缺点 / 挑战
- 大厂内部技术迭代快，持续学习压力较大
角色解读
- 向AI编译器架构师、高性能计算专家方向发展，主导底层软件栈设计
- 逐步承担芯片架构选型与软硬件协同优化的核心决策职责
- 未来可晋升至系统软件总监或首席科学家，引领算力生态技术演进
- 负责AI编译器与工具链的核心模块开发，包括IR处理、编译优化与代码生成
- 探索大模型辅助的算子自动生成与优化技术，构建完整的算子开发与评测流程
- 建立性能仿真模型，开展软硬件协同优化与微架构设计空间探索
- 扎实的计算机体系结构与编译原理基础，精通C/C++与Python编程
- 深入理解并行计算原理及GPU/NPU执行模型，能精准定位计算与访存瓶颈
- 熟悉LLVM/MLIR/TVM等主流编译框架，具备实际性能调优与建模经验
申请策略
- 提前调研百度昆仑芯或文心一言底层算力架构，面试时展现对国产AI芯片生态的关注
- 准备1-2个完整的性能调优案例，清晰阐述问题定位、方案设计与最终收益
- 突出LLVM/MLIR/TVM等编译器开发实战经历，展示具体算子优化前后的性能提升数据
- 强调C/C++底层开发能力与并行计算项目经验，附上GitHub开源贡献链接
- 体现软硬件协同优化思维，说明如何通过性能建模指导架构决策
- 深入学习现代编译器前端与后端实现机制，掌握MLIR多级中间表示设计
- 强化GPU/NPU架构特性理解，熟悉CUDA/HIP编程及性能剖析工具
- 补充大模型在代码生成与自动调优中的应用实践
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答项目经验
- 针对技术问题，先阐明底层原理，再结合具体工具链与 profiling 数据展开分析，最后总结优化策略与量化收益
- 保持逻辑严密，主动引导面试官关注你的技术深度
- 请介绍你使用LLVM或MLIR开发编译器的具体经历，遇到过哪些优化难点？
- 如何针对特定硬件（如GPU/NPU）进行算子性能分析与调优？
- 在大模型辅助算子生成场景中，如何保证生成代码的正确性与执行效率？
- 复习编译原理核心概念（如IR设计、Pass管理、后端代码生成）
- 熟悉常见AI加速器的内存层次结构与并行执行模型
职位点评
薪资福利85
成长发展90
工作生活60
使命价值75
薪资福利
85较高
薪资处于行业中上水平，福利体系完善，符合大厂标准。
薪资信号未披露（AI估算：3.5千–6.0万/月）
成长发展
90较高
技术栈前沿，聚焦AI编译器与算子优化，成长空间广阔。
技术前沿前沿/新兴技术
技术栈LLVM、MLIR、TVM、AI编译器、算子优化、性能建模
业务类型ambiguous
工作生活
60中等
未明确提及弹性工时或远程政策，常规大厂节奏，工作强度可能较高。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
致力于提升AI算力效率与国产化替代，具有显著的技术价值与行业影响力。
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