科大讯飞
【飞星计划】AI研究算法工程师-大模型训推框架优化方向(J12669)
【飞星计划】AI研究算法工程师-大模型训推框架优化方向(J12669)
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Cuda
优化
分布式训练
大模型
推理
算子优化
训练
量化
值不值得投
72综合评分
综合评分 72
前沿AI技术岗位，技术成长空间大，但WLB和薪资透明度一般。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
2万
比算法优化工程师中位数低
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 230 个在招 · 其中算法优化工程师 5 个
市场机会
选择不多
合肥 · 算法优化工程师 · 5 个在招
职位详情
关于这个职位
该职位负责大模型训练与推理框架的优化工作，包括算法研发、系统设计和性能提升，以支持讯飞的云端和嵌入式AI业务，旨在提升用户体验并降低成本
岗位涉及前沿技术如量化、分布式训练和算子优化，适合对AI基础设施感兴趣的应届硕士毕业生
最低要求
基本要求：1、2027届计算机、人工智能、电子信息、数学等相关专业硕士及以上学历，具备扎实的计算机基础和良好的数学功底
熟练掌握 C/C++/Python 中至少一门编程语言，具备良好的数据结构、算法基础和工程开发能力
熟悉大模型训练与推理流程，理解 Transformer、Attention、KV Cache、分布式训练等核心技术
具备较强的问题分析和工程实践能力，能够针对性能、稳定性问题进行定位和优化
对AI Infra训推系统优化等方向具有浓厚兴趣，持续关注行业前沿技术，具备良好的学习和协作能力
工作职责
岗位职责：1、负责多个领域的大模型推理加速算法在云端和嵌入式场景的研发落地，包括量化、PD 分离、算子优化、显存优化、推理调度等技术，支撑讯飞主要的云端和嵌入式推理业务，提升用户体验，降低部署成本
负责多个领域的大模型训练方案的工程设计和研发，基于超大规模训练集群，针对不同任务类型构建统一高效的分布式训练系统，联合芯片底座优化训练效率，支撑讯飞各业务大模型的长时稳定训练
负责跟进业界前沿的大模型训练与推理优化技术，包括分布式训推系统优化、模型压缩与量化、多芯片算子优化、系统稳定性保障等方向，结合实际业务需求和硬件特性，推动技术方案落地
负责大模型训练与推理基础设施建设，完善性能分析、自动化调优、稳定性监控、故障定位等工具链，提升大模型训练和推理系统的工程效率与稳定性
优先资格
加分项：1、熟悉 CUDA、Ascend C、Triton、TileLang 等高性能算子开发与优化技术
具备大模型训练、微调、推理部署或推理服务优化实践经验
熟悉 Megatron、MindSpeed、vLLM、SGLang 等主流大模型训练与推理框架，并有优化或贡献经验
熟悉 Code Agent、AI 辅助编程工具，并能够应用于研发效率提升
AI 洞察
优缺点分析
优点
- 技术前沿，涉及大模型训推优化，技能积累价值高
- 公司平台大，作为上市公司资源丰富，有利于职业发展
- 岗位涉及多个技术方向，如量化、分布式训练，能拓宽技术视野
- 作为应届生入职，可能需要适应企业级项目的复杂度和规模
- 合肥相比一线城市，AI生态可能稍弱，但公司是本地龙头
- 适合对AI基础设施和大模型技术有浓厚兴趣，具备扎实计算机基础，希望深入系统优化的应届硕士毕业生
缺点 / 挑战
- 技术难度高，需要快速学习并跟进前沿技术，工作压力可能较大
角色解读
- 从算法工程师成长为高级工程师或技术专家，深入训推系统优化
- 可转向架构师角色，负责整体AI基础设施设计
- 在AI Infra领域积累经验，未来可能带领团队或参与更前沿研究
- 负责大模型推理加速算法的研发与落地，包括量化、算子优化等技术
- 设计并实现大模型训练方案，构建分布式训练系统以提升效率
- 跟进前沿技术并推动方案落地，优化训推基础设施和工具链
- 扎实的编程能力（C/C++/Python）和数据结构算法基础
- 熟悉大模型训练与推理核心技术，如Transformer、分布式训练
- 具备问题分析和工程实践能力，能优化性能与稳定性
申请策略
- 关注科大讯飞在AI Infra方面的最新进展，以便在面试中展示了解
- 准备具体的技术问题解决方案，体现工程实践和问题解决能力
- 突出相关的项目经验，如大模型训练/推理优化、算子开发或分布式系统实践
- 强调编程技能和算法能力，展示C++/Python的熟练程度
- 列出对相关技术（如CUDA、Megatron）的了解或实践经验，即使作为加分项
- 深入学习大模型训推技术，如量化方法、分布式训练框架
- 实践算子优化，熟悉CUDA或Ascend C编程，提升性能优化能力
面试指南
- 对于技术问题，先阐述基本概念，再结合实际场景说明应用和挑战
- 对于项目经验，使用STAR法则（情境、任务、行动、结果）结构化回答
- 对于兴趣类问题，结合个人学习经历和行业前景，展示热情和深入了解
- 请描述一下大模型推理加速的常用方法，如量化、算子优化等
- 你如何设计一个分布式训练系统来提升训练效率？
- 介绍一个你参与过的性能优化项目，你是如何定位和解决问题的？
- 对Transformer和Attention机制有哪些理解？
- 你为什么对AI Infra训推系统优化感兴趣？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
薪资未明确披露，但作为上市公司技术岗，应具有市场竞争力；福利未提及，可能一般。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
涉及前沿大模型训推技术，有较强的学习和成长机会；但未明确提及晋升路径或培训计划。
技术前沿前沿/新兴技术
技术栈大模型、训练、推理、量化、分布式训练、算子优化、CUDA、Transformer
业务类型profit_center
工作生活
50较低
工作模式未提及，可能需现场办公；工作强度未知，但技术优化岗位通常有挑战性。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
AI是高速增长领域，技术有创新性；但未明确社会价值或使命导向。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
科大讯飞 的其他在招职位
相似职位推荐
Watch Jobs