中国平安
模型优化专家/工程师
模型优化专家/工程师
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算法优化工程师
算法优化工程师
Llm
Lvm
Pytorch
Qat
推理优化
模型压缩
模型量化
深度学习
生成式Ai
值不值得投
76综合评分
综合评分 76
前沿大模型优化岗、技术成长空间大、薪资竞争力强，WLB情况未明确。
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
2.5万
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 13420 个在招
市场机会
选择面较广
深圳 · 算法优化工程师 · 77 个在招
职位详情
关于这个职位
该职位主要负责大语言模型和视觉模型的算法研发与优化，深耕模型量化、压缩及高效推理技术
你需要将前沿算法转化为工程成果，推动端侧生成式AI能力的迭代升级，适合对底层算法优化和端侧部署有热情的技术人才
最低要求
计算机科学、计算机工程、电子信息、电气工程、信息系统等相关专业，硕士及以上学历
具备2年及以上AI算法、深度学习系统工程相关研发工作经验
熟练掌握Python、PyTorch开发框架，熟悉深度学习、大模型训练微调、量化推理核心原理
熟悉LLM、LVM等生成式模型架构，了解主流量化、模型压缩、高效推理算法
具备扎实的机器学习、深度学习算法功底，具备独立算法调研、实验验证、方案迭代优化能力
拥有良好的跨团队协作能力，能够结合硬件特性完成算法适配与系统优化
对端侧生成式AI优化有浓厚兴趣，关注行业前沿技术，具备较强的问题解决能力和创新思维
工作职责
负责大语言模型LLM、大视觉模型LVM等前沿生成式模型的算法研发工作，跟进业界前沿模型架构，落地创新算法方案
深耕生成式模型高级量化算法研发与优化，涵盖FlexRound、PrefixQuant、GPTQ、SpinQuant、AdaRound、CLE等主流INT/FP量化算法，以及自动混合精度量化技术，解决复杂生成模型量化精度损失
开展大模型训练与微调相关实验及算法研究，包含预训练、SFT、强化学习、损失函数设计优化，结合先进量化方法实现量化感知训练（QAT）的落地应用
研发大模型高效推理算法，优化批处理、KV缓存、高效注意力机制、长上下文处理、投机解码等核心技术，提升端侧模型推理效率
负责深度学习模型压缩算法研发，涵盖有损/无损压缩、结构化压缩、神经网络搜索等技术，兼顾模型精度与推理性能
研究基于优化的学习算法与基于学习的优化策略，完成生成式AI算法原型搭建与系统原型验证
跟进行业前沿技术，将自研算法方案转化为可落地的工程成果，推动终端设备生成式AI能力迭代升级
优先资格
博士学历优先
有大模型、生成式AI、模型量化压缩相关项目经验者优先
有相关算法落地经验者加分
AI 洞察
优缺点分析
优点
- 处于生成式AI与端侧部署的风口，技术栈极具前瞻性，能积累稀缺的大模型优化经验
- 依托大型综合金融与科技集团，拥有丰富的算力资源与真实的业务落地场景
- 适合对底层算法优化、模型压缩及端侧AI部署有浓厚兴趣，且具备较强科研与工程落地能力的算法工程师
缺点 / 挑战
- 大模型量化与推理优化技术迭代极快，需要持续跟进业界最新论文与开源方案，学习压力大
- 端侧硬件资源受限，在精度与性能之间寻找最优解具有较高的技术难度与工程挑战
角色解读
- 纵向可深耕端侧生成式AI优化，成为模型量化与推理加速领域的顶尖技术专家
- 横向可拓展至大模型预训练、强化学习及全链路AI系统架构设计，向AI技术负责人发展
- 负责大语言模型（LLM）和大视觉模型（LVM）的算法研发，跟进前沿架构并落地创新方案
- 深耕模型量化与压缩技术，研发高效推理算法，优化端侧模型的推理效率与精度
- 开展大模型训练与微调实验，结合量化感知训练（QAT）完成算法原型搭建与系统验证
- 扎实的深度学习与机器学习功底，熟练掌握Python和PyTorch框架
- 熟悉LLM/LVM架构及主流量化、压缩、高效推理算法，具备算法落地与工程化能力
- 具备跨团队协作能力，能结合硬件特性进行算法适配与端侧AI系统优化
申请策略
- 了解集团在端侧AI或智能硬件方面的业务布局，面试时结合业务场景阐述技术价值
- 重点突出在大模型量化（如GPTQ、AWQ等）、压缩及推理加速方面的具体项目经验与性能提升指标
- 展示在PyTorch框架下的底层开发能力，以及结合硬件特性进行算法适配的成功案例
- 深入学习主流大模型推理框架（如vLLM、TensorRT-LLM）及端侧部署工具链
- 关注并复现最新的模型量化与混合精度训练论文，提升算法原型验证能力
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点量化技术成果（如推理速度提升百分比、精度损失控制在多少以内）
- 展现系统性思维，从算法原理、工程实现、硬件特性三个维度全面分析问题
- 请详细介绍你参与过的一个大模型量化或压缩项目，遇到了哪些精度损失问题，是如何解决的？
- 在优化端侧模型推理效率时，你如何平衡模型精度与推理延迟？
- 针对长上下文处理或KV缓存优化，你有哪些具体的算法改进或工程实践经验？
- 量化感知训练（QAT）与训练后量化（PTQ）在实际落地中各有什么优缺点？你如何选择？
- 复习并深入理解JD中提到的具体量化算法（如FlexRound、PrefixQuant、GPTQ等）的数学原理与代码实现
- 准备1-2个具有技术深度的项目案例，能够清晰讲解技术选型背后的Trade-off（权衡）过程
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
该岗位薪资定位对于算法岗具有较强竞争力，大型集团提供相对稳定的薪酬福利体系。
薪资信号偏高 (2.5千–2.5万/月)
成长发展
90较高
聚焦LLM/LVM量化压缩与端侧推理优化，技术栈处于行业最前沿，个人技术壁垒与成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、LVM、PyTorch、模型量化、QAT、推理优化、模型压缩
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与工时安排，具体工作节奏与WLB情况需在面试时进一步确认。
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
生成式AI属于高速增长赛道，推动端侧AI能力升级具有一定的技术使命感与社会应用价值。
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
Watch Jobs