高级芯片编译软件工程师

优缺点分析

角色解读

• 技术专家路线：深耕编译器技术，成为AI编译器领域的权威
• 架构师路线：主导编译器架构设计，负责大型项目技术决策
• 管理路线：带领编译团队，负责项目规划与人员管理
• 负责AI NPU编译器的架构设计与开发，包括前端、优化、后端等模块
• 分析算法模型在硬件上的性能瓶颈，进行编译优化，提升模型运行效率
• 基于开源指令集（如RISC-V）开发自定义高效算子，满足特定硬件需求
• 与算法、硬件、工具链团队协作，完成AI工具链的整合与交付
• 精通MLIR、TVM、LLVM等编译器框架，具备5年以上开发经验
• 熟悉PyTorch、TensorFlow等深度学习框架，理解模型量化表达
• 熟悉Transformer等大模型结构，了解其计算特性
• 具备NPU、GPU等AI加速器编译优化经验者优先

申请策略

• 了解OPPO在AI芯片和端侧AI的布局，在面试中展现对业务的理解
• 准备好与编译器优化相关的项目案例，展示解决问题的能力
• 突出MLIR、TVM、LLVM等编译器框架的深度开发经验，并附上具体项目成果
• 强调对深度学习框架（PyTorch/TensorFlow）和模型量化的理解
• 展示在NPU/GPU等AI加速器上的优化案例，量化性能提升效果
• 如有开源项目贡献，务必列出，体现技术影响力
• 深入学习MLIR框架，掌握其Dialect和Pass机制
• 了解Transformer架构在端侧NPU的部署优化技巧

面试指南

• 采用STAR法则（情境、任务、行动、结果）回答项目经验问题，突出个人贡献和量化结果
• 对于技术问题，先阐述原理，再结合项目实践，最后总结优化思路
• 对于开放性问题，展现对技术趋势的思考，并结合OPPO的业务场景
• 请详细描述你使用MLIR/TVM开发编译器的项目经验，包括架构设计和优化效果
• 如何针对Transformer模型在NPU上进行性能优化？
• 解释一下模型量化在端侧部署中的作用和挑战
• 你如何分析一个模型在特定硬件上的性能瓶颈？
• 请谈谈你对AI编译器未来发展趋势的看法