AI大模型算法优化专家（上海&杭州）

优缺点分析

角色解读

• 技术深耕：成为端侧AI部署专家，在模型压缩、异构计算方向形成核心竞争力
• 业务拓展：从影像端侧扩展到更多AI业务（如语音、传感器），成为算法技术负责人
• 管理路线：积累项目经验后，可带领小团队负责算法模块交付，逐步转向技术管理
• 负责手机端侧大模型的落地，包括模型蒸馏、量化、裁剪等优化工作，确保模型在有限算力下高效运行
• 与芯片厂商合作，针对不同硬件平台（如骁龙、天玑）进行算法适配和性能调优
• 参与两年期技术规划，探索前沿算法在影像场景（如虚化、超清）的应用，并推动算法交付
• 精通至少一种深度学习框架（TensorFlow或PyTorch），能深入理解框架底层原理
• 扎实的计算机视觉基础，特别是图像分割、超分辨率等方向，有实际落地经验
• 熟悉模型量化（训练后量化、量化感知训练）和蒸馏技术，能针对不同硬件进行部署优化
• 熟练使用C/C++和Python，具备高效的算法实现和调试能力

申请策略

• 关注vivo影像技术公开分享（如开发者大会），了解其已有技术栈（如Vivo ISP算法）
• 在面试中展示对端侧算力与算法精度平衡的独特见解，体现工程思维
• 突出端侧模型落地的项目经验，尤其是从算法到部署的全链路经历，附上性能指标（如速度、内存、精度）
• 强调在模型量化、蒸馏方面的具体工作，最好有不同平台（ARM/NPU）的适配案例
• 列出熟悉的框架（TensorFlow/PyTorch）和底层优化（如算子融合、内存复用）细节
• 如有图像分割、超清等视觉方向论文或专利，务必在简历中突出
• 补充端侧推理框架（如NCNN、MNN、TNN）的实际使用经验，了解其算子注册和优化流程
• 学习ONNX和TensorRT等中间表示和推理引擎，提升跨平台部署能力

面试指南

• 用STAR法则（情境-任务-行动-结果）结构化描述项目经验，突出个人贡献和量化成果
• 对于技术对比类问题，先阐明原理，再从时间、效果、硬件兼容性等维度分析优劣，最后给出推荐方案
• 对于优化问题，按“分析瓶颈-提出方案-验证效果-迭代”的逻辑展开，体现系统思考
• 请描述一个你负责的端侧模型落地项目，从算法选型到部署优化的完整流程
• 谈谈你对模型量化的理解，训练后量化和量化感知训练各自的优缺点以及适用场景
• 针对手机端侧，如何平衡模型精度和推理速度？请举例说明
• 解释一下什么是知识蒸馏，在大模型场景下如何处理Teacher-Student差异？
• 如何优化一个卷积层在ARM CPU上的执行效率？