可画
Research Scientist - Efficient AI (高性能大模型）
Research Scientist - Efficient AI (高性能大模型）
发布于 大约 17 小时前普通员工/个人贡献者
北京市
其它
全职员工
仅现场办公
学历未注明
研究与开发 (研发)
Deepspeed
Megatron
Pytorch
模型压缩
蒸馏
量化
Diffusers
生成式Ai
AI 估算 · 30k–60k
AI研究员在北京市场需求旺盛，Canva为上市公司，薪资竞争力强，硕士及以上学历，结合技术难度给出估算。
职位详情
关于这个职位
该职位是 Canva 生成式 AI 超级团队中 CORE 组的研究科学家，专注于高效大模型技术，包括模型压缩、推理优化、高效架构设计等
你将参与前沿生成式 AI 研究，并将成果落地到 Canva 的设计、演示、视频等核心产品中，影响数亿用户
最低要求
You’re probably a match if you have:
You have strong expertise in foundation models, particularly in generative AI (e.g., diffusion models, LLMs, VLMs)
You bring experience in AI efficiency, such as:
Low-level optimization (kernel/graph)
Model optimization (quantization, distillation, compression)
Efficient architecture design and inference systems
You have a strong academic and/or industry track record, including publications in leading conferences (e.g., NeurIPS, ICML, ICLR, CVPR) or meaningful open-source contributions
You’re proficient in tools such as Python, PyTorch, Transformers, Diffusers, Megatron, DeepSpeed, and cloud platforms
You’re a clear communicator who can collaborate effectively across teams
工作职责
Designing and advancing state-of-the-art generative AI models across multimodal domains
Improving AI efficiency across the stack, including:
Kernel and graph optimization
Model compilation and systems optimization
Model compression techniques (quantization, distillation)
Efficient model architecture design
Scalable inference systems
Collaborating cross-functionally with research, engineering, and product teams to bring innovations into production
Translating research breakthroughs into impactful features within Canva’s core products
Contributing to the broader AI community through publications at top-tier conferences
AI 洞察
优缺点分析
优点
- 参与前沿生成式AI研究，工作内容技术深度高，紧跟AI行业最热方向
- Canva作为全球化产品，研究成果可触达数亿用户，成就感强
- 团队具备顶级研究氛围，鼓励发表顶会论文，学术影响力大
- 公司在AI投入大，资源充足，可接触大规模算力和真实场景数据
- 对数学和工程能力要求极高，需要持续跟进最新论文并快速落地
- AI效率领域竞争激烈，需要保持高水平的创新产出
- 适合热爱AI研究、具备扎实动手能力、希望在产学研结合环境中深耕高效模型方向的求职者
缺点 / 挑战
- 研究到产品的转化压力较大，需要良好的跨团队协作和沟通能力
角色解读
- 研究路线：从研究员到高级研究员、首席科学家，主导高效AI方向
- 工程路线：转向系统架构师，负责大规模推理系统的设计与落地
- 管理路线：带团队成为研究经理或AI方向负责人
- 设计并优化生成式AI模型，提升其效率与性能，包括推理优化、模型压缩等
- 编写和优化底层算子、图编译、推理系统，使模型在硬件上高效运行
- 与工程和产品团队协作，将研究成果集成到Canva的设计工具中，直接服务用户
- 撰写顶级会议论文，推动高效AI领域的学术进展
- 扎实的机器学习基础，熟悉Transformer、扩散模型、LLM等生成式模型原理
- 精通Python和PyTorch，熟悉分布式训练框架如Megatron、DeepSpeed
- 在模型优化方面有实际经验，包括量化、蒸馏、剪枝等压缩技术
- 具备C++/CUDA等底层优化能力者更佳，有顶级会议论文发表经验为强加分项
申请策略
- 了解Canva的产品（设计、演示、AI视频等），在求职信中展示对该平台AI功能的兴趣
- 准备一个与研究效率相关的技术提案，体现思考和动手能力
- 突出生成式AI相关项目，尤其是模型优化、压缩、推理加速方面的成果
- 列出顶级会议论文（NeurIPS/ICML/CVPR等）或知名开源贡献
- 详细描述在分布式训练、低延迟推理系统搭建中的具体角色和量化成果
- 强调Python、PyTorch以及底层优化技能（如CUDA、Triton）
- 如果缺乏模型压缩经验，可通过复现量化/蒸馏论文并开源来积累
- 熟悉Megatron、DeepSpeed等分布式框架，编写过大规模训练脚本
面试指南
- STAR法则：交代背景、任务、行动、结果，突出技术细节和量化指标
- 原理-实现-权衡：先阐述理论基础，再讲具体实现，讨论性能与精度的 trade-off
- 问题-方案-验证：指出挑战，提出方案，用实验或数据证明效果
- 请介绍您做过的一个模型压缩项目，如何评估收益？
- 解释KV-cache的优化原理，以及在大模型推理中的应用
- 如何设计一个高效的扩散模型推理服务？
- 在分布式训练中，如何解决通信瓶颈？
- 您对目前生成式AI（如Sora、GPT-4o）的效率瓶颈有何看法？
职位点评
66
综合评分
前沿AI研究岗，技术成长空间大，薪资有竞争力，但WLB信息不明确且仅现场办公。
更适合这类人
最适合追求技术成长和学术影响力的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展90
工作生活40
使命价值65
薪资福利
70中等
薪资未在JD中明确，但基于公司规模和岗位级别，估计薪资有竞争力。福利未提及，故补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
90较高
岗位涉及前沿AI技术，鼓励发表论文，团队学术氛围浓厚，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、Transformers、Diffusers、Megatron、DeepSpeed、量化、蒸馏
业务类型ambiguous
工作生活
40较低
仅现场办公，无远程或弹性工作信息，WLB相关信号未提及，生活化动机满足度较低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
AI设计工具对社会有积极影响，但JD中未强调使命感，意义感动机满足程度一般。
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