高性能计算专家（上海&杭州）

优缺点分析

角色解读

• 在影像算法优化领域深耕，成为技术专家，主导核心算法SDK设计与团队技术决策
• 向技术管理方向发展，带领优化团队，推进多代产品的影像技术演进
• 横向扩展至AI芯片、端侧大模型等前沿方向，参与vivo影像技术的前瞻研究
• 与算法团队协作，设计影像算法SDK的架构，确保落地部署的可行性和性能
• 基于算法优化需求，用C/C++和Python实现SDK原型，并进行CPU/GPU/DSP等硬件加速优化
• 分析产品中SDK的问题，提出并实施解决方案，持续提升影像处理效率与效果
• 精通数字图像处理算法及移动端网络部署，有相关项目经验
• 熟练掌握C/C++和Python，代码质量高，风格规范
• 熟悉CPU、GPU、DSP等异构计算优化技术，能够针对性调优
• 熟练使用NDK、ADB、GIT等工具，具备良好的英文文档阅读能力

申请策略

• 在简历和面试中强调你对影像品质的追求和优化成果，与vivo“影像大师”定位契合
• 投递时可注明偏向上海或杭州，展示你对地点灵活性的考虑
• 突出数字图像处理项目的完整经历，特别强调从算法到落地部署的优化细节
• 展示C/C++和Python的代码质量，可附GitHub或代码片段证明
• 列出CPU/GPU/DSP优化案例，包括性能提升数据（如帧率、功耗降低）
• 如果有模型量化或训练经验，单独作为亮点
• 补强移动端GPU优化（如OpenCL、Vulkan）和NPU编程
• 学习模型量化工具（如TensorRT、NCNN）和端侧推理框架

面试指南

• STAR法则：描述情境、任务、行动、结果，用具体数据量化优化效果
• 分层分析法：从算法层、框架层、硬件层分别说明优化思路，体现系统性思考
• 对比分析法：比较不同方案优劣势，展示决策过程和权衡能力
• 请描述一个你成功优化图像处理算法的案例，包括优化前后的指标比较
• 在移动端部署深度学习模型时，你会从哪些方面考虑性能优化？
• C/C++中内存管理有哪些注意事项？如何避免内存泄漏？
• 解释GPU与CPU在图像处理中的差异，什么情况下使用DSP更合适？
• 如何设计一个可扩展的SDK架构，以便不同算法模块灵活替换？